图神经网络应用于推荐系统领域已经成为了一个比较火热的研究方向，其中有哪些还需要进一步解决的问题，进一步提升图模型的协同过滤方法的性能呢？

 

1.【CIKM2021】 UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation

地址： https://arxiv.org/pdf/2110.15114.pdf

导读：文章分析了LightGCN为代表的图卷机神经网络模型在推荐系统上的局限性。其指出GCN在推荐系统场景下的核心是通过消息传播机制收集信息，而LightGCN简化了特征转换和非线性激活函数。文章进一步提出极简GCN模型(UltraGCN), 其跳过了无限的消息传播层进而进行更高效的推荐。相比显示的消息传播，UltraGCN通过constraint loss直接近似无限图卷积层的极限。同时，UltraGCN 灵活调整不同类型关系的边的权重，易于实现且训练高效。 四个基准数据集的实验结果表明 UltraGCN 不仅优于LighGCN模型，也比 LightGCN 实现了 10 倍以上的加速。



2. 【CIKM2021】SimpleX: A Simple and Strong Baseline for Collaborative Filtering

地址：https://arxiv.org/abs/2109.12613

导读：这个工作的作者和前面的UltraGCN作者来自相同的机构。文章同样分析图神经模型应用于协同过滤场景。
其认为对于一个协同过滤模型的学习依赖于3个组件：交互编码，损失函数和负采样。过去的方法主要是在于设计出有效的交互编码器，但是较少的关注到损失函数和负采样的比例。本文则指出，选择损失函数和负采样的比例同样重要。
文章提出一个余弦对比损失函数(CCL),并切进一步应用到一个简单的CF模型（SimpleX)中。
实验在11个标准数据集上和29个CF模型比较，SimpleX 可以大幅度的超越当前的最优模型。
作者认为SimpleX不仅能够作为一个简单的强有效基准模型，也进一步显示改善损失函数和负采样的必要性。
此外，上述的模型都基于一个benchmark系统，推荐系统研究人员可以进一步关注：https://github.com/openbenchmark/Open-Match-Benchmark



3.【TKDE2021】Hierarchical User Intent Graph Network for Multimedia Recommendation

地址：https://arxiv.org/pdf/2110.14925v1.pdf

导读：文章关注的场景是多媒体推荐场景。其指出，了解用户对项目上下文的偏好是获得高质量多媒体推荐的关键。通常，对于物品会通过预训练模型提出表征，引入推荐系统中以捕获用户偏好。
然而，作者认为这样的方式无法输出有效的用户表示，这很难很好地描述个人兴趣。
关键原因是目前的方法在很大程度上保持用户意图不变，未能对用户的信息表示进行编码。
在本文中，作者的目标是从物品的交互模式中学习多层次的用户意图，以获得高质量的用户和物品的表示，并进一步提高推荐性能。
为此，作者提出了一个新的框架等级用户意图网络（HUIGN）以层次图结构展示从细粒度到粗粒度的用户意图。
文章通过递归执行两个操作来获得多级用户意图：1）层内聚合，从共同交互的项目图中提取与用户意图相关的信号；和 2) 层间聚合，构成较高级别的超级节点，通过收集较低级别的节点表示来对粗粒度的用户意图进行建模。然后，将用户和物品表示细化为已发现意图的分布，而不是简单的预先存在特征。
文章对三个公共数据集进行了大量实验。该框架实现了对包括 MMGCN 和 DisenGCN 在内的最先进方法的显着改进。

内容中包含的图片若涉及版权问题，请及时与我们联系删除