Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation

要約

一連のグラフ フィルタリング (GF) ベースの協調フィルタリング (CF) は、トレーニング プロセスなしでローパス フィルター (LPF) を使用することにより、推奨精度に関する最先端のパフォーマンスを示します。
ただし、従来の GF ベースの CF アプローチは、理想的な LPF を実現するために項目間類似度グラフで行列分解を実行することがほとんどで、その結果、計算コストが膨大になり、迅速な推奨が不可欠なシナリオでは実用的ではありません。
この論文では、トレーニングも行列分解も不要な GF ベースの CF 手法である Turbo-CF を提案します。
Turbo-CF は多項式グラフ フィルターを採用して高価な行列分解の問題を回避し、最新のコンピューター ハードウェア コンポーネント (GPU など) を最大限に活用できるようにします。
具体的には、Turbo-CF はまず、エッジの重みが効果的に調整された項目間類似性グラフを構築します。
次に、独自の多項式 LPF は、明示的な行列分解を行わずに低周波数信号のみを保持するように設計されています。
Turbo-CF は非常に高速でありながら正確であり、現実世界のベンチマーク データセットで 1 秒未満の実行時間を達成しながら、最高の競合他社に匹敵する推奨精度を達成していることを実証します。

要約(オリジナル)

A series of graph filtering (GF)-based collaborative filtering (CF) showcases state-of-the-art performance on the recommendation accuracy by using a low-pass filter (LPF) without a training process. However, conventional GF-based CF approaches mostly perform matrix decomposition on the item-item similarity graph to realize the ideal LPF, which results in a non-trivial computational cost and thus makes them less practical in scenarios where rapid recommendations are essential. In this paper, we propose Turbo-CF, a GF-based CF method that is both training-free and matrix decomposition-free. Turbo-CF employs a polynomial graph filter to circumvent the issue of expensive matrix decompositions, enabling us to make full use of modern computer hardware components (i.e., GPU). Specifically, Turbo-CF first constructs an item-item similarity graph whose edge weights are effectively regulated. Then, our own polynomial LPFs are designed to retain only low-frequency signals without explicit matrix decompositions. We demonstrate that Turbo-CF is extremely fast yet accurate, achieving a runtime of less than 1 second on real-world benchmark datasets while achieving recommendation accuracies comparable to best competitors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google