近年来，人们致力于提高推荐系统的准确性和相关性。多样性是衡量所推荐项目之间差异的一个关键因素，但很少受到仔细研究。与用户满意度直接相关的是，在生成候选条目后，多样化通常被考虑在内。然而，这种多样化和候选生成的解耦设计使得整个系统处于次优状态。在本文中，我们的目标是利用图卷积网络(GCN)将多元化推至上游候选生成阶段。尽管基于GCN的推荐算法在建模复杂的协同过滤效果以提高推荐的准确性方面表现出了巨大的能力，但在这些先进的工作中，多样性变化是如何被忽略的。我们提出在GCN的基础上执行重新平衡的邻居发现、类别增强的负采样和对抗学习。我们在真实世界的数据集上进行大量的实验。实验结果验证了本文方法的有效性。进一步的消融研究验证了我们提出的方法显著缓解了准确性-多样性的困境。
http://fi.ee.tsinghua.edu.cn/public/publications/b344fd48-92b0-11eb-96bc-0242ac120003.pdf
成为VIP会员查看完整内容
DGCN: Diversified Recommendation with Graph Convolutional Networks
相关内容
推荐系统，是指根据用户的习惯、偏好或兴趣，从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同，这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
Arxiv
8+阅读 · 2019年8月30日
Arxiv
4+阅读 · 2019年5月30日
Arxiv
21+阅读 · 2019年5月11日
Arxiv
14+阅读 · 2019年3月5日
相关VIP内容
相关资讯
相关论文
Arxiv
8+阅读 · 2019年8月30日
Arxiv
4+阅读 · 2019年5月30日
Arxiv
21+阅读 · 2019年5月11日
Arxiv
14+阅读 · 2019年3月5日
微信扫码咨询专知VIP会员