因果神经图协同过滤
摘要：图协同过滤（GCF）通过利用图学习技术来增强协同过滤（CF）模型，在推荐系统中受到了广泛关注。GCF中的一个经典方法是通过建模复杂的图关系来学习用户和物品的嵌入，并利用这些嵌入来改善CF模型。然而，嵌入的质量对GCF模型的推荐性能有着显著影响。本文认为，现有的图学习方法对于生成满意的CF模型嵌入是不够的。这是因为它们直接聚合邻近节点的信息，这可能导致对用户-物品相关性的错误估计。为了克服这个限制，我们提出了一种新颖的方法，将因果建模并入明确编码邻近节点对目标节点的因果效应。这种方法使我们能够识别虚假相关性并揭示用户偏好的根本原因。我们介绍了因果神经图协同过滤（CNGCF），这是第一个针对CF的具有因果感知的图学习框架。CNGCF将因果建模整合到图表示学习过程中，将节点对之间的因果效应明确地耦合到图学习的核心信息传递过程中。结果，CNGCF产生了能够提高健壮推荐的因果感知嵌入。我们广泛的实验证明，CNGCF提供了符合用户偏好的精确推荐。因此，我们提出的框架可以解决现有GCF模型的限制，并为推荐系统提供更有效的解决方案。
作者：Xiangmeng Wang, Qian Li, Dianer Yu, Wei Huang and Guandong Xu
论文ID：2307.04384
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-11