嘿,记得给“机器学习与推荐算法”添加星标
论文地址:
https://arxiv.org/pdf/2105.04067.pdf
代码地址:
https://github.com/ruizhang-ai/GMCF_Neural_Graph_Matching_based_Collaborative_Filtering
摘要:
用户和项目属性是必不可少的侧信息;它们之间的相互作用(即它们在样本数据中的共现)可以显著提高不同推荐系统的预测精度。我们确定了两种不同类型的属性交互,内部交互和交叉交互:内部交互是指那些仅在用户属性之间或那些仅在项目属性之间;交叉交互是指用户属性和项目属性之间的交互。现有的模型没有区分这两种类型的属性交互,这可能不是利用交互所携带的信息的最有效的方法。
为了解决这一缺陷,我们提出了一种基于神经图匹配的协同过滤模型(GMCF),该模型通过对图匹配结构中的属性交互进行建模和聚合来有效地捕获这两种类型的属性交互并进行推荐。在我们的模型中,两个基本的推荐过程,特征学习和偏好匹配,分别通过图学习(基于内部交互)和节点匹配(基于交叉交互)明确进行。实验结果表明