Graph Collaborative Signals Denoising and Augmentation for Recommendation

要約

タイトル: 推薦システムのためのグラフ協調シグナルのノイズ除去と拡張

要約:

– グラフ協調フィルタリング(GCF)は、推薦システムに高次の協調シグナルを捕捉するための人気のある技術である。
– しかし、GCFの二部隣接行列は、豊富な対話を持つユーザ/アイテムに対してノイズがあり、少ない対話を持つユーザ/アイテムに対しては不十分である可能性がある。
– また、隣接行列はユーザ-ユーザやアイテム-アイテムの相関を無視しているため、有益な隣接ノードの範囲を制限している。
– 本研究では、ユーザ-ユーザおよびアイテム-アイテムの相関を組み込んだ新しいグラフ隣接行列と、すべてのユーザの対話数をバランスよくする適切に設計されたユーザ-アイテム相互作用行列を提案する。
– これを達成するために、グラフベースの推薦手法を事前学習して、ユーザ/アイテムのエンベッティングを得た後、トップ-Kサンプリングを用いてユーザ-アイテム相互作用行列を強化する。
– シンメトリックなユーザ-ユーザおよびアイテム-アイテム相関成分を隣接行列に追加する。
– 実験により、改良されたノイズの少ない隣接ノードを持つ強化されたユーザ-アイテム相互作用行列は、グラフベースの推薦に大きな利益をもたらすことがわかった。さらに、ユーザ-ユーザおよびアイテム-アイテムの相関を含めることで、両方の対話数の多い/少ないユーザにとって推薦を改善できることが示されている。

要約(オリジナル)

Graph collaborative filtering (GCF) is a popular technique for capturing high-order collaborative signals in recommendation systems. However, GCF’s bipartite adjacency matrix, which defines the neighbors being aggregated based on user-item interactions, can be noisy for users/items with abundant interactions and insufficient for users/items with scarce interactions. Additionally, the adjacency matrix ignores user-user and item-item correlations, which can limit the scope of beneficial neighbors being aggregated. In this work, we propose a new graph adjacency matrix that incorporates user-user and item-item correlations, as well as a properly designed user-item interaction matrix that balances the number of interactions across all users. To achieve this, we pre-train a graph-based recommendation method to obtain users/items embeddings, and then enhance the user-item interaction matrix via top-K sampling. We also augment the symmetric user-user and item-item correlation components to the adjacency matrix. Our experiments demonstrate that the enhanced user-item interaction matrix with improved neighbors and lower density leads to significant benefits in graph-based recommendation. Moreover, we show that the inclusion of user-user and item-item correlations can improve recommendations for users with both abundant and insufficient interactions. The code is in \url{https://github.com/zfan20/GraphDA}.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI