FourierKAN-GCF: Fourier Kolmogorov-Arnold Network -- An Effective and Efficient Feature Transformation for Graph Collaborative Filtering

图协同过滤（GCF）在推荐任务中已经达到了最先进的性能。然而，大多数GCF结构简化了图卷积网络（GCN）中的消息传递期间的特征转换和非线性操作。我们重新审视了这两个组件，并发现在GCN中消息传递期间的特征转换和非线性操作的一部分可以提高GCF的表示，但会增加训练的难度。在这项工作中，我们提出了一种简单而有效的基于图的推荐模型，称为FourierKAN-GCF。具体而言，它利用一种新颖的傅里叶Kolmogorov-Arnold网络（KAN）来替换GCN中消息传递期间的多层感知器（MLP）作为特征转换的一部分，从而提高了GCF的表示能力并易于训练。我们进一步采用消息丢失和节点丢失策略来提高模型的表示能力和鲁棒性。在两个公共数据集上的广泛实验表明，FourierKAN-GCF优于大多数最先进的方法。实现代码可在https://github.com/Jinfeng-Xu/FKAN-GCF上获得。

提高图卷积网络中特征转换和非线性操作的表示能力，同时保持模型易于训练，以解决推荐任务中的问题。

使用傅里叶Kolmogorov-Arnold网络（FourierKAN）替换图卷积网络中的多层感知器（MLP），并使用消息丢失和节点丢失策略来提高模型的表示能力和鲁棒性。

论文提出了一种名为FourierKAN-GCF的简单有效的基于图的推荐模型，并在两个公共数据集上进行了广泛实验，展示了其优于大多数最先进方法的表现。实验结果还表明，FourierKAN-GCF的表示能力和鲁棒性优于当前的GCF结构。代码已在github上开源。

近期的相关研究包括：《Graph Convolutional Matrix Completion》、《Heterogeneous Graph Neural Networks》、《Session-based Recommendation with Graph Neural Networks》等。