Multi-Behavior Recommendation with Cascading Graph Convolution Networks （WWW 2023）

论文链接

Motivation：

多行为推荐利用辅助行为（如点击和购物车）来帮助预测用户对目标行为（如购买）的潜在交互，被认为是缓解推荐中数据稀疏或冷启动问题的有效方法。

在现实世界的应用程序中，多行为通常按特定顺序进行（例如，单击>购物车>购买）。在行为链中，后一种行为通常比前一种表现出更强的用户偏好信号。大多数现有的多行为模型无法在用于嵌入学习的行为链中捕获这种依赖关系。

在这项工作中，

提出了一种新的级联图卷积网络的多行为推荐模型（命名为MB-CGCN）。在MB-CGCN中，从一个行为学习到的嵌入被用作特征变换操作之后的下一个行为的嵌入学习的输入特征。通过这种方式，我们的模型显示地利用了嵌入学习中的行为依赖性。

Contribute：

1.强调了在多行为推荐中显示利用行为链中的行为依赖性的重要性，并建议提取前一行为的行为特征，以便于在后一行为中嵌入学习。

2.提出了一种结构简单的多行为推荐模型MBCGCN。它主要由一系列GCN块组成，其中在前一个GCN中学习的嵌入通过特征变换操作进行处理，然后用作下一个的输入。

3.在两个真实数据集上全面评估了MB-CGCN的有效性。实验结果表明，模型可以显著提高推荐性能。

Method：

1. Embedding initialization：

在这里P，Q是嵌入矩阵，目的是得到用户和物品嵌入的初始embedding

2. Cascading GCN blocks：

2.1 LightGCN Brief.

标准LightGCN模型。

聚合表征。

2.2 Feature Transformation.

从一个行为学习到的嵌入经过特征变换操作之后，作为下一个行为的嵌入学习的输入特征。

3. Embedding aggregation：

在这里先将所有行为中的用户和物品嵌入分别聚合，再做预测。

Model Training:

BPR loss

Dataset：

Beibei、Tmall

Experiments：

1. 整体性能

2. 消融实验

2.1 特征转换的影响

2.2 特征聚合的影响

3. 多种行为的重要性

3.1 行为的数量

3.2 行为的顺序

4. 层数的影响