【WWW2021】兴趣感知消息传递图卷积神经网络的推荐

图卷积网络(GCNs)在推荐方面表现出巨大的潜力。这归功于他们通过利用来自高阶邻居的协作信号来学习良好的用户和项目嵌入的能力。与其他GCN模型一样，基于GCN的推荐模型也存在着臭名昭著的过平滑问题——当叠加更多层时，节点嵌入变得更加相似，最终无法区分，导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这一问题，但是我们认为他们忽略了推荐中出现过平滑问题的一个重要因素，即在图卷积操作中，用户的嵌入学习也可以涉及到与用户没有共同兴趣的高阶邻域用户。因此，多层图卷积会使不同兴趣的用户具有相似的嵌入性。在本文中，我们提出了一种新的兴趣感知消息传递GCN (IMP-GCN)推荐模型，该模型在子图中进行高阶图卷积。子图由具有相似兴趣的用户及其交互项组成。为了形成子图，我们设计了一个无监督的子图生成模块，该模块利用用户特征和图结构来有效识别具有共同兴趣的用户。为此，我们的模型可以避免将高阶邻域的负面信息传播到嵌入学习中。在三个大规模基准数据集上的实验结果表明，我们的模型可以通过叠加更多的层来获得性能的提高，显著优于目前最先进的基于GCN的推荐模型。