2022-IA-GCN: Interactive Graph Convolutional Network for Recommendation阅读笔记

IA-GCN: Interactive Graph Convolutional Network for Recommendation

0.论文信息

• paper地址：https://arxiv.org/pdf/2204.03827v1.pdf
• code：未公开

1. 摘要

• 问题： 在之前的研究工作中，在embedding过程中没有考虑user-item之间的交互特征

• 方法： 提出了IA-GCN模型，在user-item之间建立双边交互指导。

  • 在学习用户(user)表示的时候，注重在 item 树中给跟目标用户相似的邻居分配更多的权重。
  • 在学习项目(item)表示时，更关注在 user 树中与目标 item 相似的邻居。

  注：这篇文章是基于何向南老师的 Light-GCN 改的

  ---

2. 引言

问题： 有的基于gcn的CF算法虽然已经被广泛研究，但大多存在一个关键的限制：在CF层中，用户树和项目树直到最终融合时才进行交互。这是因为它们的聚合大多继承自传统的GCNs，，最初是为了对每个节点进行分类而提出的。然而，推荐任务与分类任务有着根本的不同: 不仅关注user和item的一般特征、用户的购买力、对项目的评分，还需要关注user和item之间的交互信息。比如: user 在选择 item 时的 consideration，item 吸引 user 的 characteristic，这些都决定着用户的 preference。

3. 模型概述

3.1 问题定义

• user：\(U=\{u_1,u_2,...,u_n\}\)
• item: \(I=\{i_1,i_2,...,i_m\}\)
• 目标是学得一个函数：\(f:U\times I ->R\) 来预测的user-item pair $ (u,i)$ 偏好分数 (preference score) \(\hat y_{u,i}\)
  • 一个准确的predictor \(f\) 应该给positive user-item pair $ (u,i_+)$ 分配相比于negative user-item pair $ (u,i_-)$ 更高的分数
  • positive 交互：点击、购买等等
• 根据 Bayesian Personalized Ranking (BPR)[1205.2618.pdf (arxiv.org)] , 将目标函数定义为：

\[l(D)=- \frac 1{|D|}\sum_{(u,i_+,i_-)\in D}ln \sigma(\hat y_{u,i_+}- \hat y_{u,i_-}+\lambda R ) \]

​ \(D\) 是数据集，\(\sigma\) 是 \(sigmoid\) 函数，\(\lambda R\) 表示对所有模型参数的正则化。

• 偏好得分 \(\hat y_{u,i}\) 的计算，即目标用户和目标项目的内积：

\[\hat y_{u,i} =f(u.i)=<e^0_u,e^0_i> \]

\(e_u^0 ,e_i^0\in R^d\) 是 \(u\) 和 \(i\) 的 embeddings，总的来说，我们有 $

标签：Convolutional,聚合,Network,Graph,交互,GCN,item,user,hat
来源： https://www.cnblogs.com/lyxLearningNotes/p/16180342.html