GBCD：图卷积宽度跨域推荐系统

图卷积宽度跨域推荐系统

《计算机研究与发展》-黄玲，黄镇伟，黄梓源，关灿荣，高月芳，王昌栋-2024.1.11

思路

当前的CDR通过利用其他域的额外知识已经有效缓解了传统推荐系统的数据稀疏性问题，但是当前的CDR方法忽略了用户-项目交互图的高阶信息。于是提出图卷积宽度跨域推荐系统GBCD。
具体地：首先，将交互二部图扩展到（D+1）部图，建模每个域中用户和项目之间的关系；使用公共用户作为源域和目标域之间的桥梁来传递信息；通过GCN学习用户与项目之间的高阶关系来聚合领域信息。
但是，GCN在大量节点下收敛速度非常慢，并倾向于吸收不可靠的交互噪声，导致鲁棒性较差。于是，将域聚合特征输入到宽度学习系统BLS，利用其随即映射的特征增强了GCN的鲁棒性，从而获得更好的性能。
CDR面对的问题主要有两个：1数据稀疏；2冷启动用户。

关于GBCD

1. 引入BLS的原因是它可以根据任何连续概率分布使用随机隐藏层权重将原始样本映射到一个具有区分度的特征空间。这样通过随机权重引入随机噪声的方法，可以有效缓解GCN带来的过拟合、过平滑问题。
2. 模型摒弃了对特征聚合帮助不大的非线性激活部分，但没有放弃权重矩阵的训练过程，这个过程实现的是输入节点的降维。在训练过程中，将每个GCN的结果都输入BLS中得到评分预测。
3. 因为GCN的结果容易受噪声，比如不可靠的交互，的影响，所以我们不把GCN单独的来进行反向传播训练GCN，而是通过BLS的结果来反馈给GCN进行训练，这样可以更有效的提高模型的性能。
4. BLS被设计为一个浅层的扁平网络，其中原始输入数据通过连续的概率分布映射到特征节点中，然后在宽度扩展中用节点进行增强。此过程中从隐藏层到输出层的权重要用伪逆算法来获得。
5. BLS不需要大量训练时间，而且由于其存储的参数数量较少，更适用于大规模数据集。

GBCD