解决推荐系统过平滑问题： Interest-aware Message-Passing GCN模型

本文探讨了"Interest-aware Message-Passing GCN for Recommendation"，发表于2021年WWW会议上，旨在解决推荐系统中图卷积网络（GCN）面临的两个主要问题：过平滑现象和兴趣相关性的忽略。过平滑是GCN模型在深度堆叠时，邻域内节点嵌入趋同，导致用户表示难以区分的问题。为了解决这个问题，研究者提出了Interest-aware Message-Passing GCN (IMP-GCN)模型。 IMP-GCN的主要创新在于它认识到在推荐过程中，用户之间的共同兴趣是关键因素，尤其是直接的一阶交互提供了用户兴趣的重要信息。因此，模型的设计策略分为两个部分： 1. **解决过平滑问题**: - 基于Light-GCN和LR-GCCF的启发，IMP-GCN采用了一种混合的message-passing策略，将一阶传播和高阶传播区分开来。一阶传播在整个图上进行，而高阶传播则限制在识别到具有共同兴趣的子图内部进行。这样做可以保持底层用户嵌入的多样性，同时在高层捕捉用户的整体兴趣。 2. **兴趣感知**: - 在一阶传播阶段，模型充分考虑了用户与项目的一对一交互，所有一阶邻居都会参与到图卷积运算中，以便更准确地反映用户的实时兴趣。 - 通过无监督的子图生成模块，模型能够动态地生成用户兴趣相关的子图，这有助于减少过度平滑，使得不同兴趣的用户能够在不同的子图中保持个性化的表示。 IMP-GCN的代码可以在[https://github.com/liufancs/IMP_GCN](IMP-GCF代码)中获取，作者希望通过这个模型提升推荐系统的性能，并强调了在处理用户兴趣和避免过平滑问题上的有效性。研究结果表明，这种interest-aware的设计方法对于提升推荐系统的精确度和个性化体验具有显著的优势。