TOIS2022 | 从变分自编码器视角重新审视图神经网络推荐算法

嘿，记得给“机器学习与推荐算法”添加星标

---

基于图的推荐系统已经引起了广泛的关注并产生了一系列的研究成果。由于图神经网络强大的高阶关系建模能力，这些基于图的推荐系统的性能远远优于传统的基于神经网络的协同过滤模型。然而，从实验和理论的角度来看，显著的性能提升往往伴随着明显的时间开销的增加，这在大规模的图拓扑结构中是十分明显的。另外，内在的数据稀缺性问题同样大大限制了基于图的推荐系统的性能，这迫使本文从一个新的角度重新审视基于图的推荐算法。

(a)-(b) Yelp2018和Amazon-Book数据集上每个epoch的模型训练时间（左Y轴）和召回率@20（右Y轴）。(c) 图卷积层的数量、嵌入大小、交互的规模和训练时间之间的关系。实线代表嵌入大小d=50，虚线代表d=70。

基于此，本文重点分析了基于图的推荐系统的时间复杂度，使其更适合于实际的大规模应用场景。具体的，本文提出了一个新的端到端图推荐模型，称为协同变分图自编码器（Collaborative Variational Graph Auto-Encoder，CVGA），其使用信息传播和聚合范式来编码用户与物品交互二部图上的协同关系。这些关系被用来推断用户行为的概率分布以进行参数估计，而不是像大部分算法所采用的学习用户或物品的嵌入向量。

(a) 从图生成的角度重新审视传统的图推荐模型LightGCN；(b) 所提出的端到端推荐模型CVGA的结构，其包括一个推理模型（编码器）和一个生成模型（解码器）。

通过这样做，可以根据已知的概率分布重建整个用户与物品交互图。从图自编码器的角度来看，通过将图推荐任务转化为图生成问题，并且能够以近乎线性的时间复杂度完成。在真实世界的基准数据集上进行的广泛实验表明，本文方法可以以更快的速度进行训练，同时在基于图的推荐任务上保持与最先进的基线相当的性能。进一步的分析表明，CVGA可以有效地缓解数据稀疏性问题，并且在大规模数据集上表现同样出色。最后，本文还讨论了所提算法与LightGCN、Mult-VAE、FISM与SGL的关系。

更多细节大家可以移步原始论文进行精读。

原文链接：https://dl.acm.org/doi/abs/10.1145/3573385

---

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

NeurIPS2022 | 序列推荐模型分布外泛化：因果视角与求解

最新基于图神经网络的社交推荐算法综述

论文周报 | 推荐系统领域最新研究进展

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧