Снижение популярного смещения в коллаборативной фильтрации на основе GNN с помощью методов дебайзинга

Графовые нейронные сети (GNN) продемонстрировали выдающуюся эффективность в коллаборативной фильтрации (CF), используя графы взаимодействия пользователей и предметов. Однако эти модели сталкиваются с проблемами из-за популярного смещения, когда преобладание часто взаимодействуемых предметов затмевает менее популярные. Это смещение усугубляется природой передачи сообщений в GNN, которая склонна усиливать сигналы от популярных предметов, уменьшая видимость нишевых опций. Традиционные методы дебайзинга, такие как переоценка и постобработка, неэффективны в контексте GNN, поскольку они не устраняют смещение, возникающее в процессе агрегации. Чтобы решить эту проблему, мы представляем рамки Дебайзинга Популярной Амплификации в Аггрегации (DPAA). Этот инновационный подход включает адаптивное взвешивание взаимодействий, чувствительное к представлениям пользователей, и применяет взвешивание по слоям для повышения видимости менее распространенных предметов. Наши эксперименты показывают, что DPAA значительно превосходит существующие методы коррекции популярного смещения в коллаборативной фильтрации на основе GNN, подчеркивая его потенциал для улучшения разнообразия рекомендаций.