论文介绍
近年来，已经见证了用于推荐系统的基于图形的协同过滤 (CF) 模型的出色准确性。通过将用户-项目交互行为视为图，这些基于图的CF模型借鉴了图神经网络(GNN)的成功，并迭代地执行邻域聚合以传播协作信号。虽然传统的CF模型因面临偏爱流行商品的流行度偏差而闻名，但人们可能想知道，现有的基于图的CF模型是减轻还是加剧了推荐系统的流行度偏差？为了回答这个问题，我们首先研究了现有基于图的CF方法的准确性和新颖性的双重性能。
实证结果表明，大多数现有的基于图的CF模型采用的对称邻域聚合加剧了流行度偏差，并且随着图传播深度的增加，这种现象变得更加严重。此外，我们从理论上分析了基于图的CF流行偏差的原因。然后，我们提出了一个简单而有效的插件，即r-AdjNorm，通过控制邻域聚合过程中的归一化强度来实现准确性与新颖性的权衡。同时，r-AdjNorm可以顺利应用于现有的基于图的CF主干，无需额外计算。
最后，三个基准数据集的实验结果表明，我们提出的方法可以在不牺牲各种基于图的 CF 骨干网下的准确性的情况下提高新颖性。
论文地址
https://arxiv.org/abs/2204.12326
