Graph Collaborative Signals Denoising and Augmentation for Recommendation, Ziwei Fan+, N/A, SIGIR'23

[AkihikoWatanabe]

URL

• https://arxiv.org/abs/2304.03344

  Affiliations

  • Ziwei Fan, N/A
  • Ke Xu, N/A
  • Zhang Dong, N/A
  • Hao Peng, N/A
  • Jiawei Zhang, N/A
  • Philip S. Yu, N/A

    Abstract

  • Graph collaborative filtering (GCF) is a popular technique for capturinghigh-order collaborative signals in recommendation systems. However, GCF'sbipartite adjacency matrix, which defines the neighbors being aggregated basedon user-item interactions, can be noisy for users/items with abundantinteractions and insufficient for users/items with scarce interactions.Additionally, the adjacency matrix ignores user-user and item-itemcorrelations, which can limit the scope of beneficial neighbors beingaggregated. In this work, we propose a new graph adjacency matrix that incorporatesuser-user and item-item correlations, as well as a properly designed user-iteminteraction matrix that balances the number of interactions across all users.To achieve this, we pre-train a graph-based recommendation method to obtainusers/items embeddings, and then enhance the user-item interaction matrix viatop-K sampling. We also augment the symmetric user-user and item-itemcorrelation components to the adjacency matrix. Our experiments demonstratethat the enhanced user-item interaction matrix with improved neighbors andlower density leads to significant benefits in graph-based recommendation.Moreover, we show that the inclusion of user-user and item-item correlationscan improve recommendations for users with both abundant and insufficientinteractions. The code is in \url{https://github.com/zfan20/GraphDA}.

    Translation (by gpt-3.5-turbo)

• グラフ協調フィルタリング（GCF）は、推薦システムで高次の協調信号を捉えるための人気のある技術です。 しかし、GCFの二部グラフの隣接行列は、ユーザー-アイテムの相互作用に基づいて集約される隣接ノードを定義するため、相互作用が豊富なユーザーやアイテムに対してはノイズがあり、相互作用が不十分なユーザーやアイテムに対しては不十分です。 さらに、隣接行列はユーザー-ユーザーおよびアイテム-アイテムの相関を無視しているため、集約される有益な隣接ノードの範囲が制限される可能性があります。 本研究では、ユーザー-ユーザーおよびアイテム-アイテムの相関を組み込んだ新しいグラフの隣接行列と、すべてのユーザー間で相互作用の数をバランスさせる適切に設計されたユーザー-アイテムの相互作用行列を提案します。 これを実現するために、グラフベースの推薦手法を事前学習してユーザー/アイテムの埋め込みを取得し、その後、トップKサンプリングを介してユーザー-アイテムの相互作用行列を強化します。 また、対称的なユーザー-ユーザーおよびアイテム-アイテムの相関成分を隣接行列に追加します。 実験では、改善された隣接ノードと低密度を持つ強化されたユーザー-アイテムの相互作用行列が、グラフベースの推薦において重要な利点をもたらすことを示しています。 さらに、ユーザー-ユーザーおよびアイテム-アイテムの相関を含めることで、相互作用が豊富なユーザーや不十分なユーザーに対する推薦が改善されることも示しています。 コードは\url{https://github.com/zfan20/GraphDA}にあります。

  Summary (by gpt-3.5-turbo)

• グラフ協調フィルタリング（GCF）は、推薦システムで人気のある技術ですが、相互作用が豊富なユーザーやアイテムにはノイズがあり、相互作用が不十分なユーザーやアイテムには不十分です。また、ユーザー-ユーザーおよびアイテム-アイテムの相関を無視しているため、有益な隣接ノードの範囲が制限される可能性があります。本研究では、ユーザー-ユーザーおよびアイテム-アイテムの相関を組み込んだ新しいグラフの隣接行列と、適切に設計されたユーザー-アイテムの相互作用行列を提案します。実験では、改善された隣接ノードと低密度を持つ強化されたユーザー-アイテムの相互作用行列が、グラフベースの推薦において重要な利点をもたらすことを示しています。また、ユーザー-ユーザーおよびアイテム-アイテムの相関を含めることで、相互作用が豊富なユーザーや不十分なユーザーに対する推薦が改善されることも示しています。

[AkihikoWatanabe]

グラフ協調フィルタリングを改善

[AkihikoWatanabe]

グラフ協調フィルタリング （下記ツイッターより引用） user-item間の関係だけでなく、user-user間とitem-item間の情報を組み込むことで精度向上を達成した論文とのこと。

https://twitter.com/nogawanogawa/status/1651165820956057602?s=46&t=6qC80ox3qHrJixKeNmIOcg