多模态--[GRCN]Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback

摘要: (这篇文章就觉得, 它是通过动态图解决了隐式反馈一些偶然的交互边的问题)

 

将用户的隐式反馈重组为用户-商品交互图有助于图卷积网络(GCNs)在推荐任务中的应用。在交互图中，用户节点与商品节点之间的边作为gcns的主要元素，进行信息传播，生成信息表示。然而，一个潜在的挑战在于交互图的质量，因为观察到的交互与不太感兴趣的项目发生在隐式反馈中(比如，用户偶然浏览了微视频)。这意味着带有这种假阳性边缘的社区将受到负面影响，用户偏好的信号可能会受到严重污染。然而，现有的基于gcn的推荐模型对这一挑战的探索不足，导致了表现和性能不佳。在本研究中，我们专注于自适应地细化交互图的结构，以发现和修剪潜在的伪正边。为此，我们设计了一种新的基于gcn的推荐模型——graph - refinedconvolutionalnetwork (GRCN)，它根据模型训练的状态自适应地调整交互图的结构，而不是保持固定的结构。特别地，设计了一个图细化层来识别具有高置信度的伪正交互的噪声边缘，从而以一种柔和的方式对其进行修剪。然后，我们在细化后的图形上应用图形卷积层来提取用户偏好的信息信号。通过在3个微视频推荐数据集上的大量实验，验证了该算法的合理性和有效性。进一步深入分析了精细化图如何使基于GCN的推荐模型受益。

总结:

本文针对基于gcn的推荐方法提出了解决隐式反馈问题的方法。因此，我们开发了一个新的模型，名为结构-精细图卷积网络，它可以生成一个精细的用户-项目交互图，用于图的卷积操作。在交互图中识别假正反馈并剔除相应的噪声边缘。在三个公共基准上的实证结果证明了我们所提出的模型的有效性。据我们所知，这项工作是首次尝试探索基于gcn的推荐中隐含反馈的缺点。尽管我们提出的模型实现了最先进的性能，但我们相信要彻底解决隐式反馈问题还有很长的路要走。我们将隐性反馈引起的问题归因于用户偏好和行为之间的差距。除了用户偏好之外，人们为什么喜欢某些项目的动机(如用户意图)对于估计用户行为至关重要，但却缺乏有效的探索。因此，在未来的工作中，我们希望研究如何学习和利用用户的意图，以提供一个高质量的个性化推荐系统。

贡献: