无图协同过滤
摘要：图神经网络（GNNs）在表示学习上显示出在基于图结构的用户-物品交互数据上的协同过滤（CF）任务中的力量。然而，由于低通拉普拉斯平滑算子导致的过度平滑和噪声效果，现有基于GNN的CF模型可能生成无法区分和不准确的用户（物品）表示，其内在地在相邻节点之间进行递归信息传递。此外，整个图结构中使用堆叠聚合器的递归信息传播可能导致在实际应用中的可扩展性较差。受这些限制的启发，我们提出了一种简单而有效的协同过滤模型（SimRec），将知识蒸馏和对比学习的力量结合起来。在SimRec中，启用了教师GNN模型和轻量级学生网络之间的自适应转移知识，既保留了全局协同信号，又解决了表示重新校准的过度平滑问题。公开数据集上的实证结果表明，SimRec相比于各种强基线具有更好的效率，同时保持了优秀的推荐性能。我们的实现可以在https://github.com/HKUDS/SimRec 上公开获取。
作者：Lianghao Xia, Chao Huang, Jiao Shi and Yong Xu
论文ID：2303.08537
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-22