图形转换器用于推荐
摘要：基于图变换器架构和生成式自监督学习，本文提出了一种在推荐系统中进行表示学习的新方法。我们强调使用相关的自监督预训练任务进行高质量数据增强对于提高性能的重要性。为了实现这一目标，我们提出了一种新方法，通过具有合理性感知的生成式自监督学习，自动化自监督增强过程，以提取有信息量的用户-物品交互模式。所提出的基于图变换器的推荐模型（GFormer）提供参数化的合作理由发现，以选择性增强，同时保持全局感知的用户-物品关系。在GFormer中，我们允许具有合理性感知的自监督学习激发使用任务自适应不变性理由化的图卷积滤波。实验结果表明，我们的GFormer能够在不同的数据集上持续提高性能。进一步的深入实验从各个方面调查了不变的合理性感知增强。这项工作的源代码可公开获取：https://github.com/HKUDS/GFormer。
作者：Chaoliu Li, Lianghao Xia, Xubin Ren, Yaowen Ye, Yong Xu and Chao Huang
论文ID：2306.02330
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-06