Wasserstein Dependent Graph Attention Network for Collaborative Filtering with Uncertainty

协同过滤（CF）是推荐系统中的一种基本技术，它通过利用用户-物品交互来提供个性化推荐。然而，大多数CF方法将用户和物品表示为潜在空间中的固定点，缺乏捕捉不确定性的能力。在本文中，我们提出了一种新的方法，称为Wasserstein依赖图注意力网络（W-GAT），用于具有不确定性的协同过滤。我们利用图注意力网络和Wasserstein距离来解决LightGCN和Kullback-Leibler（KL）散度的局限性，以学习每个用户和物品的高斯嵌入。此外，我们的方法进一步结合了Wasserstein依赖互信息，以增加正样本对之间的相似性，并解决KL散度引起的挑战。在三个基准数据集上的实验结果表明，W-GAT相对于几种代表性基线具有卓越的性能。广泛的实验分析验证了W-GAT在建模与物品相关联的用户偏好和类别范围方面捕捉不确定性的有效性。

本论文旨在解决协同过滤中用户和物品的不确定性问题，提出了一种新的方法W-GAT，通过图注意力网络和Wasserstein距离来学习每个用户和物品的高斯嵌入，并进一步引入Wasserstein-dependent mutual information来增加正样本对之间的相似性。

W-GAT方法结合了图注意力网络和Wasserstein距离，学习高斯嵌入，并引入Wasserstein-dependent mutual information来解决KL散度带来的挑战。

论文通过实验验证了W-GAT方法的有效性，相比于其他基线方法，W-GAT在三个基准数据集上表现更优。论文还提出了未来工作的方向，如如何在非常稀疏的数据集上使用W-GAT。

在相关研究方面，论文提到了LightGCN和KL散度，以及一些其他的协同过滤方法。