关于图在推荐系统中的研究-优快云博客

业界最新的论文

Intent-aware Recommendation via Disentangled Graph Contrastive Learning

作者：Yuling Wang, Xiao Wang, Xiangzhou Huang, Yanhua Yu, Haoyang Li, Mengdi Zhang, Zirui Guo, Wei Wu

论文摘要：基于图神经网络（GNN）的推荐系统由于具有强大的用户行为数据学习能力，已成为主流趋势之一。从行为数据中理解用户意图是推荐系统的关键，这对基于GNN的推荐系统提出了两个基本要求。

一是如何学习复杂多样的意图，特别是当用户行为数据在现实中不足时。另一个是不同的行为有不同的意图分布，如何建立它们之间的关系，以获得一个更易于解释的推荐系统。

论文通过Disentangled Graph Contrastive Learning（IDCL）提出了意图感知推荐，同时学习可解释的意图和这些意图的行为分布。具体来说，首先将用户行为数据建模为“用户-物品-概念”图，并设计一个基于GNN的行为解图（disentangling）模块来学习不同的意图。然后，提出了意图对比学习，以增强意图分开，同时推断行为分布。最后，引入编码率降低正则化，使不同意图的行为正交。论文通过大量实验证明了IDCL在实质性改进和可解释性方面的有效性。

End-to-end Graph-Sequential Representation Learning for Accurate Recommendations

作者：Vladimir Baikalov, Evgeny Frolov

地址：https://arxiv.org/abs/2403.00895

论文摘要：推荐系统的许多最新进展都集中在开发基于序列和基于图的方法上。事实证明，这两种方法都可用于对行为数据中的复杂关系进行建模，从而在个性化排名和物品推荐任务中取得不错的结果，同时保持良好的可扩展性。然而，它们从数据中捕获的信号却截然不同。前一种方法通过与最近物品的有序交互的Embedding直接作为用户表示，而后一种方法旨在捕获交互图中的间接依赖关系。

论文提出了一种新的多表征学习框架，利用了这两种范式之间的协同作用。通过对多个数据集的实证评估表明，使用所提出的框架对序列和图组件进行相互训练可显着提高推荐性能。

Explainable Session-based Recommendation via Path Reasoning

作者：Yang Cao, Shuo Shang, Jun Wang, Wei Zhang

地址：https://arxiv.org/abs/2403.00832

论文摘要：论文探讨了如何通过路径推理为基于会话的推荐（SR）提供可解释性。当前的 SR 模型强调准确性但缺乏可解释性，而传统的路径推理优先考虑知识图谱探索，忽略了会话历史记录中存在的顺序模式。

论文提出了一种广义的SR分层强化学习框架，该框架通过路径推理（即PR4SR）提高了现有SR模型的可解释性。考虑到物品对会话的不同重要性，设计了会话级代理，选择会话中的物品作为路径推理的起点，并设计路径级代理进行路径推理。具体而言，设计了一种多目标奖励机制来适应SR中序列模式的跳跃行为，并引入路径中点奖励来提高知识图谱的探索效率。

为了提高知识图谱的完整性，使解释路径多样化，论文从图像中提取的特征信息合并到知识图谱中，在五个最先进的 SR 模型（即 GRU4REC、NARM、GCSAN、SR-GNN、SASRec）中实例化了 PR4SR，并将其与其他可解释的 SR 框架进行比较，通过在四个数据集上使用这些方法进行大量实验来证明 PR4SR 对推荐和解释任务的有效性。

GraphEdit: Large Language Models for Graph Structure Learning

作者：Zirui Guo , Lianghao Xia , Yanhua Yu , Yuling Wang, Zixuan Yang, Wei Wei, Liang Pang, Tat-Seng Chua, Chao Huang

地址：https://arxiv.org/pdf/2402.15183.pdf

论文摘要：先有的图结构学习方法大多依赖于显式的图结构信息作为监督信号，这使得它们在处理噪声和稀疏数据时面临挑战。

例如，社交网络的数据可能由于隐私设置或数据获取的限制，导致某些链接缺失或不完整。在推荐系统中，用户和物品之间的交互图可能因为新用户或新物品而涉及冷启动问题，造成链接的高度稀疏性。推荐系统中的偏见也可能为数据引入噪声。仅依赖显式图结构信息作为监督信号，可能会导致图表示的不准确或偏差。

为了应对这些挑战，提出了GraphEdit方法，利用大型语言模型（LLMs）来学习图形结构数据中的复杂节点关系。GraphEdit的核心思想是通过大型语言模型（LLMs）助力推理图结构，利用节点连接模式和文本语义信息来探索节点间的潜在依赖关系。具体来说，设计了一种基于同质性假设的指令微调方法，即具有相似属性的节点倾向于形成更强的连接。GraphEdit旨在两个方面优化：一是识别并消除不相关节点间的噪声连接；二是发掘节点间隐性的依赖关系。

DGR: A General Graph Desmoothing Framework for Recommendation via Global and Local Perspectives

作者：Leilei Ding, Dazhong Shen, Chao Wang, Tianfu Wang, Le Zhang, Hui Xiong, Yanyong Zhang

地址：https://arxiv.org/abs/2403.04287

论文摘要：图卷积网络（GCN）通过利用用户-物品交互图的节点信息和拓扑结构，在学习用户和物品嵌入的推荐系统中变得至关重要。然而，这些模型经常面临过度平滑问题，导致用户和物品嵌入模糊不清，个性化程度降低。

在基于GCN的系统中，传统的去平滑方法是特定于模型的，缺乏通用的解决方案。论文介绍了一种新颖的、与模型无关的方法，名为基于 GCN 的推荐系统（DGR）的平滑框架。它通过考虑全局和本地视角，有效地解决了基于GCN的一般推荐模型的过度平滑问题。具体来说，首先在每个消息传递层中引入向量扰动，在全局拓扑结构的指导下惩罚节点嵌入过度近似的趋势。同时，我开发了一个额外的损失函数，以保持用户与其相邻物品之间的局部协作关系。合并了与相邻物品表现出高度相关性的物品，以增强局部拓扑信息。在5个典型的GCN推荐模型上面，对5个基准数据集进行了广泛的实验，证明了DGR框架的有效性和泛化性。