Weniger ist mehr

So sehr Graph Convolutional Networks (GCNs) in Empfehlungs- und kollaborativen Filtersystemen (CF) bemerkenswerte Erfolge gezeigt haben, ist der Mechanismus, wie sie, insbesondere die Kernbestandteile (z. B. Nachbarschaftsaggregation), zur Empfehlung beitragen, nicht gut untersucht worden. Um die Effektivität von GCNs für Empfehlungen zu enthüllen, analysieren wir sie zunächst aus einer spektralen Perspektive und entdecken zwei wichtige Erkenntnisse: (1) Nur ein kleiner Teil der spektralen Graphmerkmale, die die Nachbarschaftsglätte und -unterschiede betonen, trägt zur Empfehlungsgenauigkeit bei, während die meisten Graphinformationen als Rauschen betrachtet werden können, das sogar die Leistung verringert, und (2) die Wiederholung der Nachbarschaftsaggregation betont geglättete Merkmale und filtert Rauschinformationen auf ineffektive Weise heraus. Basierend auf den beiden oben genannten Erkenntnissen schlagen wir ein neues GCN-Lernschema für Empfehlungen vor, indem wir die Nachbarschaftsaggregation durch einen einfachen, aber effektiven Graph Denoising Encoder (GDE) ersetzen, der als Bandpassfilter fungiert, um wichtige Graphmerkmale zu erfassen. Wir zeigen, dass unsere vorgeschlagene Methode das Überglätten verringert und mit einem unbestimmten-layer GCN vergleichbar ist, das jede Hop-Nachbarschaft berücksichtigen kann. Schließlich passen wir die Gradienten über die negativen Beispiele dynamisch an, um das Model Training zu beschleunigen, ohne zusätzliche Komplexität einzuführen. Umfangreiche Experimente an fünf realen Datensätzen zeigen, dass unsere vorgeschlagene Methode nicht nur die aktuellen Standards übertrifft, sondern auch eine 12-fache Beschleunigung gegenüber LightGCN erreicht.