题目: Disentangled Graph Collaborative Filtering

简介: 从交互数据中学习用户和项目的信息表示对于协同过滤(CF)至关重要。当前的嵌入功能利用用户-项目关系来丰富表示,从单个用户-项目实例演变为整体交互图。然而,他们在很大程度上以统一的方式对关系进行建模,而忽略了用户采用这些项目的意图的多样性,这可能是为了消磨时间,出于兴趣或为家庭等其他人购物。这种对用户兴趣进行建模的统一方法很容易导致次优的表示形式,无法对各种关系进行建模,也无法使用户的意图分解开来。

在这项工作中,我们会以用户意图的更细粒度特别注意用户与项目之间的关系。因此,我们设计了一个新模型,即解缠图协同过滤(DGCF),以解开这些因素并产生解开的表示。具体来说,通过对每个用户项目交互的意图分布进行建模,我们可以迭代地细化意图感知交互图和表示形式。同时,我们鼓励不同意图的独立性。这导致了纠缠的表示,有效地提取了与每个意图有关的信息。我们在三个基准数据集上进行了广泛的实验,并且DGCF在一些最新模型(如NGCF [40],DisenGCN [25]和MacridVAE [26])上取得了显着改进。进一步的分析可以深入了解DGCF在消除用户意图和表示可解释性方面的优势。

成为VIP会员查看完整内容
59

相关内容

协同过滤(英语:Collaborative Filtering),简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息,个人透过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息,回应不一定局限于特别感兴趣的,特别不感兴趣信息的纪录也相当重要。协同过滤又可分为评比(rating)或者群体过滤(social filtering)。其后成为电子商务当中很重要的一环,即根据某顾客以往的购买行为以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”,也就是借由社群的喜好提供个人化的信息、商品等的推荐服务。除了推荐之外,近年来也发展出数学运算让系统自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据,也许不是百分之百完全准确,但由于加入了强弱的评比让这个概念的应用更为广泛,除了电子商务之外尚有信息检索领域、网络个人影音柜、个人书架等的应用等。
【SIGIR2020】LightGCN: 简化和增强图卷积网络推荐
专知会员服务
72+阅读 · 2020年6月1日
“推荐系统”加上“图神经网络”
机器学习与推荐算法
12+阅读 · 2020年3月23日
深度协同过滤:用神经网络取代内积建模
PaperWeekly
6+阅读 · 2018年5月28日
卷积神经网络(CNN)融合PMF模型构建推荐系统
数据挖掘入门与实战
7+阅读 · 2018年4月12日
Arxiv
8+阅读 · 2019年5月20日
Arxiv
5+阅读 · 2018年7月19日
Arxiv
7+阅读 · 2018年1月10日
VIP会员
相关VIP内容
【SIGIR2020】LightGCN: 简化和增强图卷积网络推荐
专知会员服务
72+阅读 · 2020年6月1日
微信扫码咨询专知VIP会员