Graph Variational Embedding Collaborative Filtering

要約

ユーザーへの推奨コンテンツのカスタマイズは、電子商取引、音楽、ショッピングなどの幅広いアプリケーションにわたってユーザー エクスペリエンスを向上させる上で非常に重要です。
グラフベースの手法は、ユーザーとアイテムのインタラクションをキャプチャすることで、かなりのパフォーマンスを達成しました。
ただし、これらの方法は、レコメンダーのトレーニングに使用されるデータセット内でランダムに構築された埋め込みを利用する傾向があり、ユーザーの好みが欠けています。
ここでは、グラフ畳み込みネットワーク (GCN) の層を介した特徴の伝播を改善するために、レコメンダー システムを事前トレーニングする手段として変分埋め込みの概念を提案します。
グラフ変分埋め込み協調フィルタリング (GVECF) は、GCN ベースの協調フィルタリングに埋め込まれた変分グラフ自動エンコーダを通じて学習された表現を組み込むための新しいフレームワークとして導入されています。
このアプローチは、潜在的な高次のユーザーとアイテムの相互作用をよりトレーニング可能なベクトルに効果的に変換し、最終的に再現率と正規化された割引累積ゲイン (NDCG) メトリクスの点でパフォーマンスが向上します。
ベンチマーク データセットに対して行われた実験は、私たちが提案した方法がテスト データと比較して再現率で最大 13.78% の改善を達成することを示しています。

要約(オリジナル)

The customization of recommended content to users holds significant importance in enhancing user experiences across a wide spectrum of applications such as e-commerce, music, and shopping. Graph-based methods have achieved considerable performance by capturing user-item interactions. However, these methods tend to utilize randomly constructed embeddings in the dataset used for training the recommender, which lacks any user preferences. Here, we propose the concept of variational embeddings as a means of pre-training the recommender system to improve the feature propagation through the layers of graph convolutional networks (GCNs). The graph variational embedding collaborative filtering (GVECF) is introduced as a novel framework to incorporate representations learned through a variational graph auto-encoder which are embedded into a GCN-based collaborative filtering. This approach effectively transforms latent high-order user-item interactions into more trainable vectors, ultimately resulting in better performance in terms of recall and normalized discounted cumulative gain(NDCG) metrics. The experiments conducted on benchmark datasets demonstrate that our proposed method achieves up to 13.78% improvement in the recall over the test data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google