图协同过滤的拓扑感知分析
摘要：将图神经网络成功整合到推荐系统中，引入了协同过滤（CF）中的一种新范式，即图协同过滤（graph CF）。通过将用户-物品数据表示为一个无向的二部图，图CF利用短期和长期的连接提取合作信号，从而比传统的CF方法更准确地得出用户偏好。尽管最近的文献强调了图CF中各种算法策略的有效性，但数据集及其拓扑特征对推荐性能的影响尚未研究。为了填补这一空白，我们提出了对图CF进行拓扑感知分析。在这项研究中，我们（i）采用一些广泛采用的推荐数据集，并通过两种最先进的图采样方法生成一个大型的合成子数据集；（ii）测量它们的十一个经典和拓扑特征；（iii）考虑四个流行和最新的基于图的RS（即LightGCN、DGCF、UltraGCN和SVD-GCN），估计在生成的子数据集上计算的准确性。最后，该研究提供了一个解释性框架，揭示了特征和准确性度量之间的线性关系。经过不同的图采样设置统计验证的结果证实了基于图的推荐中拓扑特征和准确性之间存在牢固的依赖关系，为如何解释图CF提供了一个新的视角。
作者：Daniele Malitesta, Claudio Pomo, Vito Walter Anelli, Alberto Carlo Maria Mancino, Eugenio Di Sciascio, Tommaso Di Noia
论文ID：2308.10778
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-22