MixRec: Heterogeneous Graph Collaborative Filtering

本文是深度学习相关文章，针对《MixRec: Heterogeneous Graph Collaborative Filtering》的翻译。

摘要

对于现代推荐系统来说，使用低维潜在表示来嵌入用户和基于他们观察到的交互的项目已经变得司空见惯。然而，许多现有的推荐模型主要是为粗粒度和同质交互而设计的，这限制了它们在两个关键维度上的有效性。首先，这些模型未能利用不同类型用户行为（如页面浏览、收集、评论和购买）之间存在的关系依赖关系。其次，他们很难捕捉到驱动用户交互模式的细粒度潜在因素。为了解决这些局限性，我们提出了一种异构图协同过滤模型MixRec，该模型擅长解开用户的多行为交互模式，并揭示每种行为背后的潜在意图因素。我们的模型通过结合意图解耦和多行为建模来实现这一点，并由参数化的异构超图架构来促进。此外，我们引入了一种新的对比学习范式，该范式自适应地探索了自监督数据增强的优势，从而增强了模型对数据稀疏性的弹性和对关系异质性的表现力。为了验证MixRec的有效性，我们在三个公共数据集上进行了广泛的实验。结果清楚地表明了其卓越的性能，明显优于各种最先进的基线。我们的模型是开源的，可以在以下网址获得：https://github.com/HKUDS/MixRec.

1 引言

2 前言

3 方法

4 评估

5 相关工作

6 结论

本文介绍了MixRec，它通过学习因子化表示来分离用户交互中的潜在意图，从而解决异构解耦协同过滤问题。我们采用分层对比学习方法，通过参数化异构超图进行自适应增广，增强了嵌入的表现力和鲁棒性。我们在公共数据集上的实验显示了MixRec的卓越性能。未来的工作将探索使用异构超图进行预训练，以进一步改进不同推荐系统的表示。