Abstract:
用户和物品属性是重要的附加信息;它们的相互作用(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:
内部交互是指仅在用户属性之间或仅在项目属性之间的交互;
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,这可能不是最有效的方法。为了解决这一问题,我们提出了一种基于神经网络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,从而有效地捕获两种类型的属性交互。在我们的模型中,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)来实现。
Introduction:
在图匹配结构中,我们以不同的方式显式地建模和聚合内部交互和交叉交互。具体来说,我们使用一个由用户(商品)属性组成的图来表示用户(商品)。每个属性都是一个节点,每个成对的属性交互都是一条边。 我们的GMCF使用GNN分别基于用户属性图和物品属性图的内部交互来建模。同时,基于交叉交互,在节点级对两个属性图进行匹配,得出最终的预测结果。
具体实现: