On Manipulating Signals of User-Item Graph: A Jacobi Polynomial-based Graph Collaborative Filtering

要約

協調フィルタリング (CF) は、ユーザーとアイテムのインタラクションに関する情報を考慮して推奨を行うことを目的とした、レコメンダー システムにおける重要な研究方向です。
グラフ CF は、ユーザー項目の 2 部グラフの高次情報を活用してより適切なレコメンデーションを行う効果があるため、近年ますます注目を集めています。
特に、最近の研究では、CF 用のグラフ ニューラル ネットワーク (GNN) の成功は、そのローパス フィルター効果によるものであることが示されています。
しかし、現在の研究では、さまざまな信号コンポーネントが推奨事項にどのように寄与するか、およびそれらを適切に使用するための戦略を設計する方法についての研究が不足しています。
この目的を達成するために、スペクトル変換の観点から、グラフ フィルターがより良いパフォーマンスを達成するために考慮すべき重要な要素を分析します。
この発見に基づいて、ヤコビ多項式基底と周波数分解戦略に基づく CF の効率的かつ効果的な方法である JGCF を設計します。
広く使用されている 4 つの公開データセットに対する広範な実験により、提案された方法の有効性と効率性が示され、Alibaba-iFashion で最大 27.06% のパフォーマンス向上がもたらされます。
さらに、実験結果は、JGCF が疎なデータセットの処理に優れていることも示しており、これはコールド スタート ユーザーに推奨事項を作成する可能性を示しています。

要約(オリジナル)

Collaborative filtering (CF) is an important research direction in recommender systems that aims to make recommendations given the information on user-item interactions. Graph CF has attracted more and more attention in recent years due to its effectiveness in leveraging high-order information in the user-item bipartite graph for better recommendations. Specifically, recent studies show the success of graph neural networks (GNN) for CF is attributed to its low-pass filtering effects. However, current researches lack a study of how different signal components contributes to recommendations, and how to design strategies to properly use them well. To this end, from the view of spectral transformation, we analyze the important factors that a graph filter should consider to achieve better performance. Based on the discoveries, we design JGCF, an efficient and effective method for CF based on Jacobi polynomial bases and frequency decomposition strategies. Extensive experiments on four widely used public datasets show the effectiveness and efficiency of the proposed methods, which brings at most 27.06% performance gain on Alibaba-iFashion. Besides, the experimental results also show that JGCF is better at handling sparse datasets, which shows potential in making recommendations for cold-start users.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google