MB-HGCN：一种用于多行为推荐的分层图卷积网络
摘要：基于协同过滤的推荐系统在现实世界的应用中经常遇到严重的稀疏性问题，导致推荐结果的性能不理想。多行为推荐(MBR)是一种从辅助信息中学习用户偏好的方法，通过利用这些偏好来提高目标行为的推荐准确性，从而解决了稀疏性问题。本文提出了一种新颖的多行为推荐模型MB-HGCN，该模型利用层次图卷积网络从全局级别到行为特定级别学习用户和物品的嵌入向量表示。我们的模型从由所有行为的交互构成的统一同质图中学习全局嵌入并用作每个行为图中行为特定嵌入的初始嵌入。我们还强调用户和物品行为特定嵌入的差异，并设计了两种简单但有效的策略来对用户和物品的行为特定嵌入进行聚合。最后，我们采用多任务学习进行优化。在三个真实数据集上进行的大量实验结果表明，我们的模型在Tmall数据集上的HR@10和NDCG@10上相对改进的分别达到了73.93%和74.21%，显著优于基准模型。
作者：Mingshi Yan, Zhiyong Cheng, Jing Sun, Fuming Sun, and Yuxin Peng
论文ID：2306.10679
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-21