STAR-GCN: Redes Neurais Convolucionais em Grafo Empilhadas e Reestruturadas para Sistemas de Recomendação

Propomos uma nova arquitetura STAcked and Reconstructed Graph Convolutional Networks (STAR-GCN) para aprender representações de nós para aprimorar o desempenho em sistemas de recomendação, especialmente no cenário de início a frio. O STAR-GCN utiliza uma pilha de codificadores-decodificadores GCN combinados com supervisão intermediária para melhorar o desempenho das previsões finais. Ao contrário do modelo de completude de matriz convolucional de grafos com entradas de nós codificadas em one-hot, nosso STAR-GCN aprende fatores latentes de usuário e item de baixa dimensionalidade como entrada para restringir a complexidade do espaço do modelo. Além disso, nosso STAR-GCN pode produzir embeddings de nós para novos nós ao recrutar embeddings de nós de entrada mascarados, o que essencialmente enfrenta o problema de início a frio. Além disso, descobrimos um problema de vazamento de rótulo ao treinar modelos baseados em GCN para tarefas de previsão de links e propomos uma estratégia de treinamento para evitar o problema. Resultados empíricos em diversos benchmarks de previsão de avaliações demonstram que nosso modelo alcança desempenho de ponta em quatro de cinco conjuntos de dados do mundo real e melhorias significativas na previsão de avaliações no cenário de início a frio. A implementação do código está disponível em https://github.com/jennyzhang0215/STAR-GCN.