行为融合图卷积网络在多行为推荐中的应用

《IEEE Transactions on Knowledge and Data Engineering》：Behavior Merging Graph Convolution Network for Multi-Behavior Recommendation

多行为协同过滤模型需整合不同行为数据，但传统方法单独建模导致效率低下。本文提出行为融合图BMG，通过联合图捕获行为关联，利用部分序理论建模复杂结构，设计BMGCN网络聚合邻域信息并优化采样过程，实验证明其性能优于现有基线。

　　

摘要：

将多行为信息编码到单个图协同过滤向量中是一个新兴的挑战，因为不同的行为会产生不同的图，每种行为都有其自身的嵌入向量。为了解决这个问题，最近的方法通常将某些行为的嵌入指定为主嵌入，并使用其他行为的嵌入来增强主行为的推荐效果。然而，这些模型在推荐主行为方面可能表现优异，但会降低辅助行为的推荐性能。因此，现代推荐系统通常需要维护多组协同过滤嵌入，以便在所有行为上实现满意的推荐效果。为了解决这个问题，我们提出了“行为合并图”（Behavior Merging Graphs，简称BMG）。BMG不是单独对每种行为进行建模，而是使用一个联合图来捕捉节点之间的潜在行为合并集，并应用偏序理论来模拟行为合并集之间的复杂结构和关系顺序。基于BMG，我们引入了“行为合并图卷积网络”（Behavior Merging Graphs Convolutional Networks，简称BMGCN），该网络通过整合卷积权重来聚合邻居信息，这些权重考虑了不同行为合并集之间的行为合并顺序的排名变换。此外，BMGCN采用基于行为合并的采样方法来指导传统的BPR采样过程，从而改进了嵌入训练。在三个广泛使用的数据集上的实验表明，与最先进的基线方法相比，BMGCN在多行为推荐方面表现更优。

引言

多行为协同过滤（CF）模型[1]、[2]、[3]在预测用户-物品交互方面表现突出，优于仅关注点击行为的传统单行为模型[4]、[5]、[6]。在现实世界的推荐系统中，诸如收藏和购买等行为与点击行为一样，对于提升用户参与度和生成平台收入至关重要[7]、[8]。然而，针对单一行为优化的CF模型在应用于其他行为时往往表现不佳。例如，从点击数据中提取的嵌入往往无法为收藏和购买行为提供理想的推荐结果，反之亦然。这种限制迫使推荐系统为每种行为分别训练不同的CF嵌入，从而导致效率低下、成本增加以及存储需求激增。因此，开发一个能够利用统一的CF嵌入有效为各种行为提供推荐结果的、具有弹性的多行为图基CF模型至关重要。