DGR: A General Graph Desmoothing Framework for Recommendation via Global and Local Perspectives

图卷积网络（GCN）已经成为推荐系统中的关键技术，通过利用用户-物品交互图的节点信息和拓扑结构来学习用户和物品的嵌入。然而，这些模型常常面临着著名的过度平滑问题，导致用户和物品嵌入不够清晰，个性化程度降低。基于GCN的传统去平滑方法是模型特定的，缺乏通用解决方案。本文提出了一种新颖的、模型无关的方法，名为基于GCN的推荐系统去平滑框架（DGR），它通过考虑全局和局部两个角度有效地解决了通用的基于GCN的推荐模型中的过度平滑问题。具体来说，我们首先在每个消息传递层引入向量扰动，以惩罚节点嵌入过度逼近全局拓扑结构的趋势。同时，我们进一步开发了一个定制的损失项，用于保留用户和其邻居物品之间的局部协作关系的读出嵌入。特别地，具有与邻居物品高相关性的物品也被纳入到局部拓扑信息的增强中。为了验证我们的方法，我们在5个基准数据集上进行了广泛的实验，基于5个知名的基于GCN的推荐模型，证明了我们提出的框架的有效性和泛化性。

这篇论文旨在解决图卷积网络在推荐系统中的过度平滑问题，导致用户和物品嵌入不够个性化的问题。

文中提出了一种名为DGR的模型无关的方法，通过同时考虑全局和本地信息来有效解决图卷积网络中的过度平滑问题。具体来说，作者在每个消息传递层引入向量扰动，以惩罚节点嵌入过度相似的趋势，并考虑全局拓扑结构的指导。同时，作者还开发了一个定制化的损失项，用于保持用户和其邻居物品之间的本地协作关系。特别是，作者还将与邻居物品高度相关的物品纳入考虑，以增强本地拓扑信息。

作者在5个基准数据集上对5个著名的GCN推荐模型进行了广泛的实验，证明了所提出的方法的有效性和普适性。值得注意的是，作者在实验中还使用了不同的评估指标和对比方法，以更全面地评估所提出的方法。此外，作者还提供了开源的代码和详细的实验结果。

最近在这个领域中，还有一些相关研究，例如：《Graph Convolutional Matrix Completion》、《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》、《Representation Learning for Graph-Based Recommender Systems: A Comprehensive Review》等。