【KDD2021】深度图卷积网络混合归一化的精确和多样化推荐

近年来，基于图卷积网络(GCNs)的协同过滤(CF)方法引起了广泛的研究兴趣，并取得了最先进的性能。然而，现有的基于GCN的CF模型都是浅层的，无法对高阶协同信号进行建模。此外，大多数基于GCN的CF模型利用相同的归一化规则对邻居信息进行聚合，导致邻居具有与流行相关的重要性(对称归一化)或同等重要性(左归一化)。由于节点之间的内在差异，不同的归一化规则适合于它们聚合邻居信息。在本文中，我们提出了一种新的混合归一化深度图卷积网络(DGCN-HN)来缓解上述局限性。首先，设计了一个由残差连接和整体连接组成的深度图卷积推荐网络，以缓解过度平滑问题;它允许对GCN进行更深层次的有效训练。然后，提出了一种混合归一化层和简化的注意力网络，通过自适应地融合来自不同归一化规则的信息，灵活地建模邻居的重要性。在三个真实数据集上的综合实验表明，DGCN-HN相对于最先进的方法取得了最好的精度(𝑅𝑒𝑐𝑎𝑙𝑙@20和𝑁𝐷𝐶𝐺@20的平均相对提高了12.12%和12.77%)。此外，我们对最佳基线进行了多样性研究。这表明我们提出的解决方案可以实现更多样化的推荐结果。此外，在我们广泛的案例研究中，我们表明，我们提出的方法更有利于用户的交互历史较少，可用于缓解数据稀疏问题。

https://dlp-kdd.github.io/assets/pdf/DLP-KDD_2021_paper_1.pdf