图神经网络在推荐系统中的偏见放大比较分析

Jan, 2023

图神经网络在推荐系统中的偏见放大比较分析

A Comparative Analysis of Bias Amplification in Graph Neural Network Approaches for Recommender Systems

Nikzad Chizari, Niloufar Shoeibi, María N. Moreno-García

TL;DR本研究通过文献综述和行为分析，对比了基于 GNN 的不同算法和现有方法的偏见影响，并旨在探索最小化模型性能影响的适当解决方案。

Abstract

recommender systems (RSs) are used to provide users with personalized item recommendations and help them overcome the problem of information overload. Currently, recommendation methods based on deep learning are

recommender systems deep learning graph neural networks bias amplification literature review

发现论文，激发创造

推荐系统中的图神经网络：综述

本研究综述了基于图神经网络的推荐系统在最近的研究工作中的应用。针对不同类型的信息和推荐任务，我们提供了 GNN-based 推荐模型的分类。进一步分析了 GNN 在不同类型数据上应用时面临的挑战，并讨论了现有工作如何解决这些挑战。我们总结了相关的论文及其开源实现。

Nov, 2020

推荐系统中的图神经网络综述：挑战，方法与方向

本篇综述介绍了基于图神经网络的推荐系统的研究进展，主要包括基本背景、发展历程、研究热点、存在问题、相关应用等方面。文章概述了现有的研究成果，并探讨了未来的应用方向和挑战。

Sep, 2021

基于图学习的推荐系统综述

本文回顾了基于图学习的推荐系统，特别是讨论了如何从基于图的表示中提取重要的知识来提高推荐的准确性、可靠性和可解释性。

May, 2021

知识图谱上的深度学习在推荐系统中的应用：综述

本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向，重点讨论了核心组件 —— 图嵌入模块，以及它们如何解决实际推荐问题，例如规模扩展，冷启动等，并总结了常用的基准数据集、评估指标和开源代码。

Mar, 2020

社交推荐的图神经网络

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019

图形趋势滤波网络用于推荐

本文介绍了通过图神经网络进行推荐的方法，并探讨了现有方法的一些缺点，提出一种基于图趋势过滤网络的新方法，以捕捉交互性的自适应可靠性。

Aug, 2021

推荐系统中的偏差和去偏差研究：调查与未来方向

本文系统概要总结研究论文中七种推荐偏差类型及其特点、定义，提供分类学和组织现有关于推荐去偏差的工作，并确定一些开放式挑战和未来方向。

Oct, 2020

线性时间图神经网络可扩展的推荐系统

在信息爆炸时代，推荐系统是为用户提供个性化推荐的重要工具。本文提出了一种线性时间图神经网络（LTGNN）来扩展基于 GNN 的推荐系统，以实现与经典 MF 方法相当的可扩展性，同时保持 GNN 强大的表达能力以获得更准确的预测。通过大量实验证明了所提算法的有效性和可扩展性。

Feb, 2024

图表示学习中的社区偏倚放大理解

我们在图表示学习中发现了一种社区偏见放大现象，它指的是图表示学习在不同类别之间加剧了性能偏见。我们从新颖的光谱角度对该现象进行了深入的理论研究，发现社区之间的结构偏见导致了节点嵌入的局部收敛速度不同，这一现象导致了下游任务分类结果的偏见放大。基于理论洞察，我们提出了随机图粗化来有效解决上述问题。最后，我们提出了一种名为随机图粗化对比学习（RGCCL）的新颖图对比学习模型，它利用随机粗化作为数据增强，并通过将粗化的图与原始图进行对比来减轻社区偏见。我们在各种数据集上进行了大量实验证明了我们的方法在处理社区偏见放大时的优势。

Dec, 2023

推荐模型如何加剧流行偏见：光谱视角的分析

推荐系统存在流行度偏差问题，本研究深入研究了流行度偏差放大的原因，并提出一种使用主奇异向量的导数来缓解这种偏差的新方法，通过对主奇异值的大小施加惩罚，验证了该方法在七个真实数据集和三个测试场景下的卓越性能。

Apr, 2024