【KDD 2021 】 MixGCF: 基于多层嵌入合成负例用于推荐

图神经网络(GNNs)最近作为最先进的协同过滤(CF)解决方案出现。CF的一个基本挑战是如何从隐式反馈中提取负信号，但基于GNN的CF中的负采样在很大程度上尚未被探索。在这项工作中，我们提出利用用户-项目图结构和GNN的聚合过程来研究负采样。我们提出了MixGCF方法，这是一个通用的负采样插件，可以直接用于训练基于GNN的推荐系统。在MixGCF中，我们不是从数据中采样原始的负样本，而是设计了跳跃混合技术来合成硬负样本。具体来说，MixGCF的想法是通过聚合原始负样本邻里的不同层嵌入物来生成合成负样本。通过理论支持的硬选择策略，优化了层和邻域选择过程。大量的实验表明，使用MixGCF，最先进的基于gnn的推荐模型可以得到一致和显著的改进，例如，在NDCG@20中，NGCF为26%，LightGCN为22%。