《Neural Graph Collaborative Filtering 》论文学习
文章目录
摘要
1、作者认为,通过user、item的ID、属性映射得到的embedding缺失了他们的交互过程,因此不足以捕捉协同过滤效果。
2、NGCF将用户-物品交互集成到embedding过程中,以显式的方式有效地将协作信号注入其中
一、介绍
一般来说,在可学习CF模型中有两个关键组成部分:1)embedding,向量化的表示; 2)user-item交互建模。我们认为目前的方法还不足以为CF生成令人满意的嵌入。关键原因是嵌入函数缺乏对关键协作信号的显式编码,这种信号潜伏在用户-物品交互中,揭示用户(或物品)之间的行为相似性。更具体地说,现有的方法大多只使用描述性特征(如ID和属性)来构建嵌入函数,而没有考虑用户-物品交互,而用户-物品交互仅用于定义模型训练的目标函数。
在NGCF中,我们通过利用用户-物品交互的高阶连通性来解决这一挑战,这是交互图结构中协作信号的一种自然编码方式。
图1说明了高阶连接性的概念:右边的子图显示了从u1展开的树状结构。高阶连通性表示从路径长度l大于1的任何节点到达u1的路径。这种高阶连接包含了丰富的语义。例如,路径u1←i2←u2表示u1和u2之间的行为相似度,因为两个用户都与i2交互过;路径u1←i2←u2←i4表明u1很可能采用i4,因为她的类似用户u2以前已经使用了i4。而且,从l = 3的整体观点来看,i4项比i5项更可能引起u1的兴趣,因为<i4,u1>有两条路径连接&