Multiview graph dual-attention deep learning and contrastive learning for multi-criteria recommender systems
作者: Saman Forouzandeh, Pavel N. Krivitsky, Rohitash Chandra
发布时间: 2025-02-27
来源: arxiv
研究方向: 多准则推荐系统
主要内容
本文提出了一种名为D-MGAC的多准则推荐系统框架，该框架结合了多视图、双图注意力机制和对比学习，旨在解决传统推荐系统在处理多准则数据时的局限性。
主要贡献
1. 引入了基于多边二分图的多视图表示方法，其中每个边代表用户对项目的一个准则评分。
2. 使用多视图双图注意力网络（MDGAT）来充分考虑用户和项目之间的所有关系，包括局部（基于准则）和全局（多准则）关系。
3. 定义了每个视图中的锚点，并采用局部和全局对比学习来区分每个视图和整个图中正负样本。
4. 在两个真实世界数据集上评估了该方法，并在预测项目评分方面取得了比基线方法更高的准确性。
研究方法
1. 多视图学习
2. 图注意力网络（GAT）
3. 对比学习
4. 多边二分图表示
5. 局部和全局注意力机制
实验结果
在Yahoo!Movies和BeerAdvocate数据集上进行的实验表明，D-MGAC在预测项目评分方面优于基线方法。此外，消融实验表明，全局注意力和对比学习对于模型性能至关重要。
未来工作
未来工作将包括将动态超图学习方法集成到D-MGAC框架中，以处理动态用户偏好和项目可用性。此外，还将探索高级优化技术，例如自适应超图修剪和正则化策略，以减少模型的计算复杂度。