.png){kind=icon}
返回
Enhancing Recommendation Performance Using Attribute-Aware Message-Passing and Augmentation GCN
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3609971.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图卷积网络（GCNs）在推荐系统中展现出巨大潜力，这得益于其捕捉复杂关系和生成高质量表示的能力，特别是在稀疏数据条件下。然而，堆叠多个GCN层往往会导致过平滑现象，即节点嵌入变得难以区分。当目标物品在消息传播过程中从高阶邻居聚集到噪声或无关信息时，这一问题会加剧。为解决此问题，我们提出了AMP-GCN，一种属性感知的消息传递图卷积网络，通过将具有相似属性的物品聚类到子图中来缓解过平滑。随后在每个子图内进行高阶传播，有效过滤无关信号并保持语义一致性。为进一步增强嵌入学习，我们引入了AMPA-GCN，通过修改邻接矩阵将物品-物品相关性信号整合到AMP-GCN框架中。这一设计强化了物品的直接与间接关系，从而生成更鲁棒的表示。在四个公开基准数据集上的大量实验表明，我们提出的模型一致优于当前最优基线。
Keyword:
Augmentation
graph convolution networks
message-passing strategy
recommendation
subgraph
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
FISM.png)
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
查看更多内容