15、基于GCN的协同过滤新方法：Di - GCCF解析

基于GCN的协同过滤新方法：Di - GCCF解析

在推荐系统领域，基于图卷积网络（GCN）的方法日益受到关注。传统的GCN在处理高阶关系和特征融合时存在一定局限，为解决这些问题，提出了一种新的基于GCN的协同过滤方法——Di - GCCF。

1. 交互特征融合

随着GCN传播层数的增加，单个节点的嵌入变得不那么独特，区分节点变得更具挑战性。现有的基于GCN的推荐模型只能聚合浅层关系，最多在三到四层达到性能峰值，限制了利用高阶关系提升性能的能力。为解决此问题，提出了交互特征融合模块，在传播层融合浅层和高阶特征。

具体公式如下：
- (E^{(0)} = \begin{bmatrix}e^{(0)} {u1}, \cdots, e^{(0)} {um} & e^{(0)} {i1}, \cdots, e^{(0)} {in}\end{bmatrix})
- (E^{(1)} = L \times E^{(0)})
- (E^{(2)} = L \times E^{(1)} + E^{(1)})
- (E^{(k + 1)} = L \times E^{(k)} + E^{(2)} (k \geq 3))

其中，(E^{(0)})表示第0层用户和物品的嵌入矩阵，(E^{(1)})是第一层图卷积网络聚合后的特征表示，计算第二层特征(E^{(2)})时，集成了第一层生成的特征表示(E^{(1)})，以增强(E^{(2)})特征表示的能力。后续将二阶特征(E^{(2)})融合到高阶特征的计算中。

选择融合第二层特征而非初始特征或第一层特征的原因如下：