Neural Graph Collaborative Filtering[SIGIR'19]

SIGIR19年将神经网络与协同过滤结合的一篇论文

解决的问题

在现有的推荐模型中,用户和物品的embedding只考虑了它们自身的特征,没有考虑用户-物品的交互信息

做法及创新

  1. 通过堆叠$l$层embedding传播层,一个用户(物品)可以获得它的$l$跳邻居所传播的信息,如下图所示,通过这种方法来建模用户-物品交互信息中的高阶connectivity,下图展示的是一个三阶的例子:
0ZY5mF.jpg 0ePimF.png 0Z2M40.jpg
  1. 传统GCN推荐方法中,message embedding只考虑物品embedding$e_i$,论文中将用户embedding与物品embedding的交互也纳入考虑,解释为“This makes the message dependent on the affinity between $e_i$ and $e_u$, e.g., passing more messages from the similar items.”

  2. 两个层面上的dropout:message & node dropout。前者表示在第$l$层传播层中,只有部分信息会对最后的表示有贡献;后者表示在第$l$层传播层中,随机地丢弃一些顶点。

数据集

Gowalla、Yelp2018、Amazon-book