《Neural Graph Matching based Collaborative Filtering》论文阅读笔记
发表在2021,SIGIR
-
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。 -
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