Multi-Behavior Recommendation with Cascading Graph Convolution Networks （WWW 2023）
发布时间
阅读量：
阅读量
Motivation：
多行为推荐被用于基于辅助性操作来预估用户的潜在购买意图，并被认为是一种有效的方法来解决推荐系统中的数据稀疏性和 cold start 问题。
在现实世界中的应用程序中运行时，在单个操作序列中执行这些多步操作往往按照固定的顺序进行（例如：单击→购物车→购买）。在行为链分析中发现随后进行的操作往往能更有效地反映用户的偏好趋势。目前广泛使用的多步骤行为模型难以通过嵌入学习机制准确捕捉到这种操作间的相互作用。
在这项工作中，
开发了一种新型的级联图神经网络结构命名为MB-CGCN用于构建多行为推荐系统。
在该体系中从前一个行为学习获得的特征信息经过特征转换操作后将成为后续行为学习过程中的关键输入指标。
通过这种设计我们的方法能够充分挖掘嵌入学习中的行为依存关系从而提升推荐系统的性能表现。
Contribute：
探讨了多行为推荐系统中体现行为链内在依赖关系的重要性，并提出了从前一个行为中获取相关特征的方法，以实现对后续行为的建模过程。
2.构建了结构简洁的多行为推荐系统MBCGCN。该系统主要由多个GCN模块构成，在前一个GCN中生成的学习表示通过特征变换操作进行处理，并作为后续模块的输入使用。
3.对两组真实数据集进行了系统的MB-CGCN有效性检验。实验结果显示，在所有测试指标中，该模型均表现出色。
Method：
1. Embedding initialization：
在这里P，Q是嵌入矩阵，目的是得到用户和物品嵌入的初始embedding
2. Cascading GCN blocks：
2.1 LightGCN Brief.
标准LightGCN模型。
聚合表征。
2.2 Feature Transformation.
通过一个行为的学习获得的嵌入，在经过特征变换操作后，则成为下一个行为嵌入学习的输入特征。
3. Embedding aggregation：
在这里先将所有行为中的用户和物品嵌入分别聚合，再做预测。
Model Training:
BPR loss
Dataset：
Beibei、Tmall
Experiments：
1. 整体性能
2. 消融实验
2.1 特征转换的影响
2.2 特征聚合的影响
3. 多种行为的重要性
3.1 行为的数量
3.2 行为的顺序
4. 层数的影响
全部评论 (0)
还没有任何评论哟~