When Box Meets Graph Neural Network in Tag-aware Recommendation

去年见证了由LLM丰富的标签支持的标签感知推荐系统的重新兴盛。不幸的是，尽管做出了大量努力，但目前的解决方案可能无法仅通过标签驱动的个人资料来描述用户偏好中固有的多样性和不确定性。最近，随着基于几何的技术（例如盒子嵌入）的发展，用户偏好的多样性现在可以完全建模为高维空间中盒子范围内的范围。然而，这些方法仍存在缺陷，因为它们无法捕捉高阶邻居信号，即用户-标签-项目三部分图中语义丰富的多跳关系，这严重限制了用户建模的有效性。为了应对这一挑战，在本文中，我们提出了一种新算法，称为BoxGNN，通过组合逻辑操作执行消息聚合，从而将高阶信号纳入其中。具体而言，我们首先将用户、项目和标签作为超级盒子而不是表示空间中的简单点进行嵌入，并定义两个逻辑操作来促进后续过程。接下来，我们通过逻辑操作的组合执行消息聚合机制，以获得相应的高阶盒子表示。最后，我们采用基于体积的学习目标和Gumbel平滑技术来改进盒子的表示。对两个公开可用的数据集和一个LLM增强的电子商务数据集的广泛实验验证了BoxGNN相对于各种最先进的基线的优越性。该代码已在网上发布。

该论文旨在解决当前基于标签的推荐系统无法描述用户偏好的多样性和不确定性的问题，以及无法捕捉高阶邻居信号的问题。

论文提出了一种名为BoxGNN的算法，通过逻辑操作的组合来进行消息聚合，从而融合高阶信号。具体而言，将用户、项目和标签作为超级盒子嵌入表示空间，定义两个逻辑操作来促进后续过程。然后，通过逻辑操作的组合来进行消息聚合机制，以获得相应的高阶盒子表示。最后，采用基于体积的学习目标和Gumbel平滑技术来优化盒子的表示。

论文在两个公开数据集和一个LLM增强的电子商务数据集上进行了广泛的实验，验证了BoxGNN相对于各种最先进的基线的优越性。此外，作者还开源了代码。值得进一步研究的工作包括如何将BoxGNN应用于其他推荐场景以及如何进一步提高其性能。

与此相关的最新研究包括《Tag-aware Personalized Recommendation Using a Hybrid Deep Model》、《A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems》等。