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