WWW2021 | 基于图卷积神经网络的多样化推荐系统

嘿，记得给“机器学习与推荐算法”添加星标

---

作者：王玉菡

单位：武汉理工大学

方向：跨域推荐

本文是一篇发表在WWW2021上的基于图卷积神经网络的多样性推荐系统的研究——DGCN: Diversified Recommendation with Graph Convolutional Networks，主要包括研究内容的介绍、总结以及个人思考。

论文: dl.acm.org/doi/abs/10.1145/3442381.3449835

代码: https://github.com/tsinghua-fib-lab/DGCN

汇报: https://www.bilibili.com/video/av375826851?vd_source=207249dbfbe9517d1996d5729fd2b169

---

1 背景

推荐系统在初期阶段往往不能很好的服务用户，因为其只以“投其所好”为主要目标。然而，由于“信息茧房”问题越来越突出，推荐系统需要反思如何能够在提升用户满意度的同时，为用户提供更丰富多样的信息和服务。更多信息茧房内容可阅读深度剖析 | 推荐系统中的信息茧房问题——因果强化学习在交互式推荐的前沿探索。除了推荐内容的相关性外，许多因素也会影响用户对推荐内容的感知，如多样性、惊喜度、可解释性等。

该研究针对推荐系统的多样性，避免用户接收重复类型的推荐项目而带来信息冗余问题。具体而言，在推荐过程中不仅要关注用户和推荐项目之间的相近性(similarity)，还要关注反映推荐系统多样性表现的项目间的差异程度(disimilarity)。针对推荐系统，通常会考虑两种类型多样性[1]：个体层次的多样性和系统层次的多样性。本研究主要针对个体层次的多样性(intra-user level)。

• 个体层次的多样性(intra-user level)：衡量每个用户推荐物品的差异性，即推荐列表中项目在不同主题、不同方向上分布的平衡程度。

• 系统层次的多样性(inter-user level)：考虑整个推荐系统的推荐结果是否分布均衡，也称为消除长尾效应的推荐(long-tail recommendati