Interest-aware Message-Passing GCN for Recommendation(个人笔记)

论文：兴趣感知信息传递GCN（WWW.2021）

文章链接：https://arxiv.org/abs/2102.10044

代码链接：GitHub - liufancs/IMP_GCN （原版-tensorflow1.x）     

                   https://github.com/PTMZ/IMP_GCN（Pytorch版）

---

1. 前言

1.1 提出的问题：

（1）现有基于GCN的推荐模型中存在的过度平滑问题。

（2）不加区分地利用高阶邻域会使具有不同兴趣的用户的嵌入变得相似。

（3）聚合邻居信息未考虑是否有交集的爱好，负面信息会严重干扰推荐结果。

1.2 做出的贡献：

（1）我们提出了一个IMP-GCN模型，该模型利用同一子图中的高阶邻居，其中用户节点比其他子图中的节点有更多相似的兴趣。实践证明，该方法能有效地解决过平滑问题。

（2）我们设计了一个子图生成模块来对用户进行分组，并根据用户特征和图结构信息从用户项二部图生成子图。

（3）我们对三个基准数据集进行了实证研究，以评估所提出的IPM-GCN模型。结果表明，IPMGCN可以通过叠加更多层和学习更好的用户/项目嵌入来获得改进，从而大大优于基于SOTA GCN的推荐模型。

---

2. 模型介绍

2.1 基于GCN模型不同聚合层数的节点平均覆盖率

该图显示出了不同数量的层聚合到图中的所有节点，目标节点在传播中达到的节点数量的平均覆盖率。可以看出，经过6层或7层图卷积后，在嵌入传播中，一个节点几乎可以从所有其他节点接收信息。因此，通过聚集所有连接的高阶邻居的信息，在当前基于GCN的模型中，在叠加更多层后，节点嵌入不可避免地变得相