CaDRec: Contextualized and Debiased Recommender Model

本文介绍了一种上下文化和去偏见的推荐模型（CaDRec），该模型旨在挖掘用户行为模式，并已成为日常生活中必不可少的应用之一。最近的工作在图神经网络（GNNs）或去偏见方法方面取得了显着的进展。然而，它们仍然存在两个问题：（1）由于GNNs的递归卷积而导致的节点嵌入过度平滑，以及（2）由于流行度和用户个体偏差而导致的交互分布不均。为了解决这些问题，本文提出了一种新型的超图卷积算子，可以通过引入结构上下文和顺序上下文在卷积期间选择有效的邻居，以克服过度平滑问题。为了解决交互分布不均的问题，我们提出了两种策略：（1）建模个体偏差以学习无偏的物品嵌入，以及（2）将物品流行度与位置编码相结合。此外，我们还数学地证明了更新物品嵌入的梯度不平衡会加剧流行度偏见，因此采用了正则化和加权方案作为解决方案。在四个数据集上的大量实验表明，CaDRec优于最先进的方法。我们的源代码和数据已在https://github.com/WangXFng/CaDRec发布。

提出一个上下文化和去偏见的推荐模型（CaDRec），解决图神经网络（GNNs）递归卷积导致的节点嵌入过度平滑和交互分布偏斜的问题。

使用超图卷积运算符来选择有效的邻居节点，在卷积期间引入结构上下文和顺序上下文来克服节点嵌入过度平滑的问题。采用两种策略来分解交互：建模个人偏见以学习无偏差的物品嵌入，并使用位置编码结合物品流行度。此外，采用正则化和加权方案来解决更新物品嵌入的梯度不平衡加剧流行度偏差的问题。

论文在四个数据集上进行了广泛的实验，证明了CaDRec模型优于现有的SOTA方法。作者还公开了源代码和数据，这些工作值得继续深入研究。

最近的相关研究包括《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》、《Debiasing Graph Convolutional Networks for Recommendation》等。