Motivation:
在真实场景中,用户通常会采取一系列动作与物品进行交互,以获得有关该物品的更多信息,从而准确评估物品是否符合他们的个人偏好。这些交互行为往往遵循一定的顺序,更重要的是,不同的行为揭示了用户对目标物品偏好的不同信息或方面。
现有的多行为推荐方法大多采取先从不同行为中分别提取信息,然后融合信息进行最终预测的策略。
1.他们并没有利用不同行为之间的联系来学习用户偏好。
2.他们经常引入复杂的模型结构和更多的参数来对多种行为进行建模,大大增加了空间和时间的复杂性。
因此:
本文提出了一种用于多行为推荐的轻量级多行为推荐模型——级联残差图卷积网络(简称CRGCN),其可以在不引入任何附加参数的情况下(与基于单个行为的推荐模型相比)将不同行为之间的连接明确地利用到嵌入学习过程中。
1.我们设计了一种级联残差图卷积网络(GCN)结构,它使我们的模型能够通过不断细化不同类型行为的嵌入来学习用户偏好。
2.基于不同的行为,采用多任务学习方法对模型进行联合优化。
Contribute:
1.强调了将多种行为之间的关系建模到推荐中的用户建模中的重要性,并建议通过按顺序更新用户偏好和行为,将这种关系直接利用到嵌入学习过程中。这是首次将多行为之间的级联关系直接纳入推荐的嵌入学习中。
2.提出了一种称为CRGCN的多行为推荐模型,该模型由一组具有残差设计的LightGCN(对应于行为序列)组成,旨在将从先前行为中学习到的特征保存到下一个行为特征学习中。与单行为建模的标准矩阵分解相比,我们的模型是轻量级的,并且不向模型中引入任何额外的可训练参数。这使得我们的模型在空间和时间复杂性方面具有很大优势。
3.实验中CRGCN性能比SOTA的baselines都更work。
Method:
1. Embedding initialization:
在这里P,Q是嵌入矩阵,目的是得到用户和物品的初始嵌入embedding。
2. Cascading Residual blocks:
2.1 Single behavior modeling:
AGG函数为标准GCN模型(如下)
2.2 Cascading effect modeling:
e’u和e’i是在行为中通过GCN模型学习后的最终表征,在这里做了正则化操作。理由下面解释
~eu 和 ~ei是当前行为学习后的最终表征,在这里做了残差操作,将前一个行为的学习后特征euin和eiin引入当前行为中学习。因此,解释前面做正则化是为了保证这两个表征数量级是相近的。
最终,模型级联框架如上所示,前一个行为学习后的表征将放入下一个行为学习,不断细化用户和物品的表征。
3. Multi-Task learning:
CRGCN学习到用户和物品在B种行为中的B种表征。
因此,将B种行为表征分别对应做B种BPR损失。
最终的总损失利用了Multi-task learning。
Dataset:
Tmall、Beibei、Jdata
Experiments:
1. 性能对比
2. 消融实验
2.1 残差块的影响
2.2 GCN层数的影响