【WWW2021】双曲图卷积网络的协同过滤

双曲空间提供了丰富的设置来学习具有优越属性的嵌入，这些属性在计算机视觉、自然语言处理和计算生物学等领域得到了利用。最近，有人提出了几种双曲线方法来学习推荐设置中的用户和项目的鲁棒表示。但是，这些方法不能捕获推荐领域中通常存在的高阶关系。另一方面，图卷积神经网络(GCNs)则擅长通过对局部表示应用多层聚合来捕获更高阶的信息。在本文中，我们提出了一个用于协同过滤的双曲线GCN模型，以一种新颖的方式将这些框架结合起来。我们证明了我们的模型可以在边缘损失的情况下有效学习，并证明了双曲空间在边缘设置下具有理想的性质。在测试时，我们的模型使用双曲距离来进行推理，双曲距离保留了学习空间的结构。我们对三个公共基准进行了广泛的实证分析，并与一组大型基线进行比较。我们的方法实现了非常具有竞争力的结果，并超过领先的基线，包括欧几里德GCN对等物。我们进一步研究了双曲线嵌入的性质，并表明它们对数据提供了有意义的见解。该工作的完整代码可以在这里:https://github.com/layer6ai-labs/HGCF。