Abstract
图协同滤波（GCF）是在推荐系统中捕获高阶协同信号的一种流行技术。然而，GCF的二部邻接矩阵定义了基于用户-项目交互聚合的邻居，对于交互丰富的用户/项目来说是有噪声的，而对于交互稀缺的用户/项目则不够。此外，邻接矩阵忽略了用户-用户和项目-项目之间的相关性，这可能会限制被聚合的有益邻居的范围。
在这项工作中，我们提出了一个新的图邻接矩阵，它包含了用户-用户和项目-项目的相关性，以及一个适当设计的用户-项目交互矩阵，以平衡所有用户之间的交互数量。为了实现这一点，我们预先训练了一种基于图的推荐方法来获得用户/项目嵌入，然后通过top-K抽样来增强用户-项目交互矩阵。
Introduction
在实验中一个反直觉的观察结果是，与交互稀缺的用户（即不活跃用户）相比，交互丰富的用户（即活跃用户）的建模较差。可以说，潜在的原因是高度活跃的用户有丰富的噪声交互，这甚至可能对用户偏好建模有害。此外，当图模型叠加更多的图卷积时，会引入更多的噪声。从项目方面，我们可以观察到，交互作用有限的项目执行得不令人满意
基于这些观察结果，我们认为，在基于图的推荐系统中，二部邻接矩阵的当前定义是不充分的。由用户-项目交互矩阵R直接构造二部邻接矩阵A，以定义用户/项目的邻域结构。然而，R存在噪声和稀疏的交互，这使得它不足以表示不活跃的用户/项目。此外，二部邻接矩阵A在邻域定义中忽略了用户-用户和项-项相关性，即使在增强解中也是如此。虽然高阶协作信号可以通过多跳消息传递来揭示这些相关性，但最近的研究表明，长距离消息传递可以产生新的学习问题，并导致次优表示。因此，我们提出了一种新的邻接矩阵设计来改进基于图的推荐
为此，我们提出了一个预训练和增强的管道框架，即GraphDA，来去噪和增强用户项矩阵。在GraphDA中，我们在GCF的二部邻接矩阵中捕获用户-用户和项目项相关性。具体来说，我们首先预先训练一个编码器，从现有的用户-项目交互中生成用户/项目嵌入。通过预先训练的嵌入，我们采用top-K采样过程来生成去噪和增强的用户-项目矩阵、非零用户用户和项目-项目相关性。我们的贡献包括：
- 研究了GCF二部邻接矩阵定义的不足，并研究了引入更好的邻接矩阵的潜力。
- 我们为基于图形的推荐提出了一个更好的邻接矩阵生成，并将一个新的管道GraphDA用于为活跃用户去噪，为非活跃用户增强。
Method
在本节中，我们将介绍我们提出的框架GraphDA，该框架具有用户-项目交互矩阵、用户-用户和项目-项目相关性增强。该框架包括两个步骤，包括从图编码器中预先训练出来的用户/项目表示和用于增强的邻居生成过程。
模型的整体结构如下：
预训练的用户/项目嵌入
这里就不解释了，图上表示的很清楚，跟传统的推荐任务很相似
增强的二部邻接矩阵
我们实证调查了基于图的推荐的现有缺陷，并可以说是确定这些问题来自于二部邻接矩阵的不令人满意的定义。为了生成更好的二部邻接矩阵，我们提出了去噪和增强的GraphDA管道，包括预训练和增强步骤，以生成更好的用户-项目矩阵、用户-用户相关性以及项目-项目相关性。实验表明了GraphDA的优越性，特别是对于高活跃用户和非活跃用户。
用户-项目交互增强
使用预先训练的\(E^{(K)}\)，我们为用户和项目生成前k个邻居。对于用户来说，前k个邻居定义了偏好，而项目的邻居表示正在营销的用户组的概念。从用户方面，我们定义了一个超参数\(U_k\)来控制被选择的邻居的数量。对于所有用户，邻居的数量是相同的\(U_k\)。在邻居数量相同的情况下，对原始数据中具有丰富邻居的用户进行去噪，而对具有稀缺邻居的用户进行扩充。具体来说，对于用户
标签：GraphDA,项目,论文,二部,用户,邻接矩阵,笔记,交互 From： https://www.cnblogs.com/anewpro-techshare/p/18067020