基于神经图匹配的协同过滤算法

《Neural Graph Matching based Collaborative Filtering》论文阅读笔记

发表在2021，SIGIR

1. 背景：
   协同过滤是推荐系统中使用最频繁的一个算法，它是基于假设：相似的用户在相似的项目上有相同的喜好。面临的挑战：如何考虑用户，项目属性来增强预测的性能。不同的属性交互对于最终的预测结果也是不同的。比如，电影推荐是预测一个用户对于电影的喜好，因此，属性交互可以分为两类，内部交互：用户或者项目之间的交互；交叉交互：用户和项目之间的交互。
   两种属性交互：内部交互（仅在用户属性之间或仅在项目属性之间）和交叉交互（用户和项目之间的交互）。已有工作并没有区分这两种交互类型，不能有效利用信息。

2. 基础知识：
   （1）图匹配是计算机科学领域一个长期研究的课题，比如数据库，数据挖掘。图匹配的目标是发现两个图形式表示的相似性。传统的图匹配算法是基于启发式学习的，比如最小化图的编辑距离，或者基于图内核的方法（如随机游走，图的子结构），随着GNN的发展，一些研究开始探索基于神经元的图匹配。但目前这些方法在推荐系统中还没有被探索。
   我们是第一个利用神经图匹配的框架表示图中的用户和项目。
   （2）图神经网络：将用户，项目的交互视为二分图，图中的边表示用户和项目的交互。已有的模型只考虑用户和项目的交互，还有一些利用GNN建模知识图谱，但都没有考虑属性交