Cluster-based Graph Collaborative Filtering

图卷积网络（GCN）在学习推荐系统中的用户和物品表示方面取得了显著的成功。它们的有效性的核心在于能够明确地利用来自一阶和高阶相邻节点的协同信号。然而，大多数现有的基于GCN的方法在执行高阶图卷积时忽略了用户的多重兴趣。因此，来自不可靠邻居节点（例如，兴趣不同的用户）的嘈杂信息对目标节点的表示学习产生了负面影响。此外，没有区分高阶邻居的图卷积操作在堆叠更多层时会出现过度平滑的问题，导致性能下降。本文旨在从高阶相邻节点中捕获更有价值的信息，同时避免噪声，以更好地学习目标节点的表示。为了实现这一目标，我们提出了一种新的基于GCN的推荐模型，称为基于聚类的图协同过滤（ClusterGCF）。该模型在聚类特定图上执行高阶图卷积，这些图是通过捕获用户的多重兴趣并识别它们之间的共同兴趣来构建的。具体而言，我们设计了一种无监督和可优化的软节点聚类方法，将用户和物品节点分类到多个聚类中。基于软节点聚类结果和用户-物品交互图的拓扑结构，我们为不同聚类分配节点的概率来构建聚类特定图。为了评估ClusterGCF的有效性，我们在四个公开可用的数据集上进行了大量实验。实验结果表明，我们的模型可以显著提高推荐性能。

解决问题：论文试图提高基于图卷积网络的推荐系统在学习用户和物品表示时的效果，避免高阶邻居的噪声和过度平滑问题。

关键思路：论文提出一种新的基于图卷积网络的推荐模型ClusterGCF，通过对用户和物品节点进行无监督的软节点聚类，将节点分配到不同的簇中，构建簇特定的图，从而在高阶图卷积时更好地捕获有价值的信息，避免噪声和过度平滑问题。

其他亮点：论文在四个公开数据集上进行了广泛的实验，证明了ClusterGCF模型的有效性。该模型的设计思路创新，能够更好地处理多个用户兴趣以及高阶邻居的信息。此外，论文提出的软节点聚类方法可以无需标注数据进行优化。值得进一步探究的是如何将该模型应用于其他推荐场景以及如何进一步提高其效果。

相关研究：在推荐系统领域，图卷积网络已经成为研究的热点。近年来，有许多基于图卷积网络的推荐模型被提出，如PinSage和NGCF等。此外，一些研究关注于如何更好地处理多个用户兴趣，如DIF和MFG等。