A Directional Diffusion Graph Transformer for Recommendation

在现实世界的推荐系统中，隐式收集的用户反馈虽然丰富，但通常包括噪声和误报的交互。用户-物品交互的可能误解为传统图神经推荐系统带来了重大挑战。这些方法基于隐式用户-物品交互聚合用户或物品的邻居，以准确捕捉用户的个人资料。为了考虑和模拟图神经推荐系统中用户交互中可能存在的噪声，我们提出了一种新颖的基于扩散图变换器（Diffusion Graph Transformer，DiffGT）的top-k推荐模型。我们的DiffGT模型采用扩散过程，其中包括前向阶段逐步引入隐式交互的噪声，然后是反向过程，以迭代地优化用户的隐藏偏好表示（即去噪过程）。在我们提出的方法中，鉴于用户-物品交互图中存在的固有各向异性结构，我们特别在前向扩散过程中使用各向异性和定向高斯噪声。我们的方法不同于现有扩散模型中仅使用各向同性高斯噪声的方法。在反向扩散过程中，为了消除先前添加的噪声并恢复真实的用户偏好，我们将图变换器架构与线性注意模块相结合，以有效和高效地去噪用户/物品嵌入。此外，这种反向扩散过程还受到个性化信息（例如交互项目）的指导，以实现准确估计用户对项目的偏好。我们广泛的实验明确证明了我们提出的图扩散模型在三个基准数据集上优于十种现有最先进方法。

该论文旨在解决现有推荐系统中用户反馈数据噪声带来的问题，通过提出一种新的Diffusion Graph Transformer模型来进行top-k推荐。

该论文提出了一种前向扩散过程和反向扩散过程相结合的Diffusion Graph Transformer模型，用于去噪和精确估计用户偏好。

该论文使用了具有方向性和非各向同性的高斯噪声进行前向扩散过程，使用个性化信息指导反向扩散过程，提出的模型在三个基准数据集上优于十种现有的最先进方法。

近期相关研究包括Graph Neural Networks和Diffusion Models等。