冷启动物品推荐的不确定性感知一致性学习
摘要：基于图神经网络（GNN）的模型已成为推荐系统的主流方法。尽管有效，但它们仍然面临冷启动问题，即为互动较少的物品进行推荐。现有的基于GNN的推荐模型主要集中在利用用户和物品的辅助特征来解决冷启动问题，而未充分利用用户-物品交互。然而，冷启动物品和热启动物品的嵌入分布仍然存在较大差异，因为冷启动物品的嵌入是通过较低流行度的交互学习得到的，而热启动物品的嵌入则来自较高流行度的交互。因此，存在一个上下摆动的现象，即冷启动和热启动物品的推荐性能不能同时改善。为此，我们提出了一种基于用户-物品交互的冷启动物品推荐的不确定性感知一致性学习框架（UCC）。在这个框架下，我们使用一致性学习来训练教师模型（生成器）和学生模型（推荐器），以确保具有额外生成的低不确定性交互的冷启动物品与热启动物品具有相似的分布。因此，提出的框架可以同时改善冷启动和热启动物品的推荐，而不会对任何一方造成损害。对基准数据集进行的大量实验表明，我们提出的方法在热启动和冷启动物品上都明显优于现有的方法，平均性能提升达到27.6％。
作者：Taichi Liu, Chen Gao, Zhenyu Wang, Dong Li, Jianye Hao, Depeng Jin and Yong Li
论文ID：2308.03470
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-08