图形协同过滤再审视:线性残差图形卷积网络方法
本文提出了一种基于图卷积神经网络的社交推荐模型,通过捕捉信息在社交网络中的扩散进程来影响用户偏好,使得模型在两个真实数据集上展现出了很好的性能。
Nov, 2018
本文通过图信号处理的角度,研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论,提出了基于图卷积的统一框架,证明了现有的许多 CF 方法都是这个框架的特例,包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等,提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型,在三个知名数据集上实验表明,GF-CF 与基于深度学习的方法相比性能更强,在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。
Aug, 2021
研究采用邻域聚合操作来简化 GCN 模型设计,提出了名为 LightGCN 的新模型,用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善,分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。
Feb, 2020
本文提出 InterActive GCN,针对已有的基于 GCN 的协同过滤推荐系统采用相同的聚合方式从用户邻域中学习用户的表示,从而忽略了用户 - 项目对之间的交互特征。新模型在用户 - 项目对之间构建双边交互指导,提供了交互和可解释的特征,并且通过每个图卷积操作有效地提取了目标特定信息,能够与各种基于 GCN 的 CF 体系结构端到端地组合使用。实验表明,本文提出的 IA-GCN 具有较好的效果和鲁棒性。
Apr, 2022
本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法,通过构建多部分图来表示复杂的交互模式,并进一步使用图卷积网络(Graph Convolutional Networks)提高推荐系统的表现。
Mar, 2021
该论文首先认为当前的 GCN 模型较难训练,而且容易出现平滑过度和容易受到对抗攻击的问题;该论文提出了一种有效的方法来处理这些问题,通过使用简单的 GCN 模型单独聚合不同阶邻居的信息,然后通过层级的累加来消除这些问题,并且在实验数据集上证明了该模型的有效性和鲁棒性。
Apr, 2020
为了应用 Graph Convolutional Network 到大规模图上,我们提出了一种 Low-pass Collaborative Filter 算法来清除噪声并降低计算复杂度,实验结果表明这种算法可以有效提高图卷积的效果和效率。
Jun, 2020
本文提出了一种在双分图中利用本地图结构的连接分数来扩展多个标准连通性预测方法的新方法,并与迭代度更新过程相结合,以利用局部图结构的方法。尽管该方法很简单且不涉及节点建模,但我们展示了它在四个广泛使用的基准测试上明显优于现有的基于 GNN 的 CF 方法,在 Amazon-Book 上,我们展示了 Recall 和 NDCG 都有超过 60%的提高,希望我们的工作能引发学术界重新关注协作过滤中的链接预测方面。
Mar, 2022
通过消除 GCN 中的不必要的非线性和权重矩阵,我们提出了一种线性模型,它对应于一个固定的低通滤波器,然后是一个线性分类器。 在许多下游应用中,我们的实验评估表明这种简化并不会对精度产生负面影响。 此外,由于我们的模型简化减少了计算量,因此我们的模型在更大的数据集上具有可扩展性,并且具有更快的推理速度。
Feb, 2019
本文提出了一个基于图卷积的推荐框架,名为 Multi-GCCF,该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图,并在双分图上执行图卷积,在四个公共基准测试中取得较显著的改进,证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。
Jan, 2020