2021-WSDM-Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender

Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender Systems
2021 WSDM

CF的主题是表示学习。学习到的表示应该反映出：

• 由外在属性所显示的，比如book的作者、类型
• 由隐式因子所显示的，协同信号

3 问题描述

协作关系感知图，交互图+物品知识图谱

• 显示关系 $R^{+}$ 就是物品KG中的关系
• 隐式关系 R?={k1,k2,k3,k4}R^-=\{k_1,k_2,k_3,k_4\}R?={ k1?,k2?,k3?,k4?} 就是将交互拆解成了几种细粒度的交互，最重要的 $k_i$ 因素决定了用户采用了特定物品的原因

4 模型

4.1 用户-物品隐式关系建模

1 隐式因素分解

2 Factor级注意力网络

3 注意力 隐式关系-wise 聚合

4 解耦正则化

4.2 显式关系建模

4.3 高阶连通性建模

4.4 模型学习

5 实验

5.1 实验设置

评价指标：

• Top-N:Recall NDCG {5，10，20}
• CTR：AUC
• train:valid:test=6:2:2
• 取5次实验的平均值

超参数：

• tanh
• 交叉熵loss、Adam、Xavier
• 30 epoch，提前终止策略
• 对于自己的模型DCF，网格搜索 学习率、解耦项系数、正则化系数
• 其他模型其他超参数与paper/code设置相同，（有没有网格搜索呢？？）

RQ1：模型表现

RQ2：超参数对模型的影响

RQ3：设计组件对模型的影响 （消融实验）

RQ4：可解释Case Study