Graph Collaborative Signals Denoising and Augmentation for Recommendation

要約

タイトル：レコメンデーションのためのグラフ共同信号の除去と拡張
要約：
– Graph Collaborative Filtering（GCF）は、レコメンデーションシステムで高次の共同信号を捕捉するための人気のある技術である。
– しかし、GCFの二項接続行列は、豊富な相互作用を持つユーザー/アイテムと相互作用が不十分なユーザー/アイテムに対してノイズが発生することがある。
– また、接続行列は、ユーザー-ユーザーおよびアイテム-アイテムの相関を無視して、有益な近傍を集計する範囲を制限することがある。
– 本研究では、ユーザー-ユーザーおよびアイテム-アイテムの相関を共有する新しいグラフ接続行列を提案する。
– さらに、訓練済みの基于グラフのレコメンデーション方法を使用して、ユーザー/アイテム埋め込みを獲得し、トップKサンプリングによって改善されたノイズが少ないユーザー-アイテム相互作用行列を作成する。
– 対称のユーザー-ユーザーおよびアイテム-アイテムの相関成分を接続行列に追加する。
– 実験では、改善されたノイズが少ないユーザー-アイテム相互作用行列が、より改善された近傍と低密度に繋がり、グラフベースのレコメンデーションで大きな利益をもたらすことを示した。
– さらに、ユーザー-ユーザーおよびアイテム-アイテムの相関を含めることで、豊富な相互作用を持つユーザー/アイテムだけでなく、相互作用が不十分なユーザー/アイテムに対するレコメンデーションの改善を示した。

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