基于曲率引导的几何门控图协同过滤技术,结合拓扑感知的增强机制

《Neurocomputing》:Curvature-guided geometric gating graph collaborative filtering with topology-aware augmentation

【字体: 大 中 小 】 时间:2026年03月19日 来源:Neurocomputing 6.5

编辑推荐:

  多几何分支融合与拓扑感知增强的用户-项目图神经推荐模型

  
作者:齐广志、刘国军、周琪、陈泽豪
哈尔滨工业大学计算机学院,中国哈尔滨

摘要

现实世界中的用户-物品图展现出异构的局部结构,从层次化模式到富含循环和局部密集的区域不等,这些结构在单一的恒定曲率空间中难以捕捉。此外,许多基于图的协同过滤(CF)方法主要依赖于稀疏的用户-物品边,并且没有充分利用由用户间和物品间交互引起的显式关系。本研究分析了基准数据集上的节点级截面曲率,发现曲率范围包括负值、接近零和正值。基于这一发现,我们提出了CGCF:一种基于曲率的几何门控框架,它可以在双曲、欧几里得和球形分支上并行学习表示,并通过曲率信号自适应地融合这些表示。此外,一个具有拓扑意识的增强模块可以调节显式的用户-用户和物品-物品链接,在稀疏区域加强信息传播,同时在富含循环的区域抑制冗余。在多个基准测试上的实验表明,该框架相比强基线方法具有持续的改进效果。

引言

现代信息服务面临着严重的信息过载问题,这使得个性化推荐系统对于过滤和优先展示相关内容变得至关重要[1]、[2]。在众多方法中,协同过滤(CF)因其有效性和简单性而占据主导地位:它假设具有相似历史偏好的用户倾向于喜欢相似的物品。传统的CF模型通常将交互表示为矩阵,并通过矩阵分解来学习潜在因子[3]、[4]。最近,用户-物品交互被广泛建模为二分图,其中边编码了历史反馈。从这个角度来看,图神经网络(GNN)通过沿图边传播和聚合消息自然地捕捉到了高阶的协同信号,这导致了强大的基于图的CF模型的出现[5]、[6]、[7]。
尽管取得了成功,但大多数基于图的CF方法都是建立在欧几里得GNN之上的。然而,现实世界的交互图往往表现出无尺度和层次化的模式,这些模式并不总是与欧几里得几何相匹配[8]。双曲空间具有指数级扩展的体积,可以以较低的失真嵌入树状或层次化结构[9],这激发了使用双曲GNN进行推荐的研究[10]。这些模型在多个基准测试中显示出比纯欧几里得模型更优的性能[11]、[12]、[13]。
然而,真实的用户-物品图远比理想的树结构复杂得多。如图1所示,即使在简单的二分图中也可能出现循环。在大规模推荐数据中,通常观察到异构的局部模式。一些区域形成了类似层次结构的细长分支结构,这与长尾行为密切相关。其他区域则富含循环且局部密集,导致强烈的冗余和复杂的连接性。这些模式对应于不同的几何特性,在单一的恒定曲率空间中难以容纳。严格的全局曲率先验可能会引入不必要的失真:在强烈负曲率的空间中,富含循环的区域可能无法得到准确的表示;而在球形或纯欧几里得空间中,层次化分支可能会失去结构真实性。
总之,一个重要的研究空白仍然存在:如何在一个统一且实用的CF框架内联合建模用户-物品图中的混合局部几何结构。这引出了第一个问题:一个统一的嵌入框架如何适应用户-物品图中异构的局部结构(树状、接近平坦和富含循环的结构)?
同时,大多数现有工作主要依赖于稀疏的用户-物品交互(点击或评分),而对由用户间和物品间交互产生的显式关系(例如具有相似消费历史的用户或同一组用户频繁选择的物品)关注较少。这些关系提供了额外的协同信号,而仅靠稀疏的直接边是无法完全捕捉的。尽管一些研究试图利用这些信息,但它们通常引入了复杂的辅助网络或繁琐的处理流程,并将边缘信息视为外部附加内容,而不是主要传播过程的组成部分[12]、[14]。这引出了第二个问题:如何在不引入过多复杂性的情况下整合显式的用户-用户和物品-物品关系来补充稀疏交互?
为了更好地指导模型设计,首先对真实的用户-物品图进行了定量几何分析。通过对多个基准数据集的截面曲率进行估计,发现曲率值涵盖了负值、接近零和正值区域,表明实际中的局部几何结构是异构的。受此启发,我们提出了CGCF:一种基于曲率的几何门控图协同过滤模型。CGCF在双曲、欧几里得和球形分支上并行学习图表示,并通过曲率信号自适应地融合这些表示。此外,一个具有拓扑意识的增强模块以可控的方式利用显式的用户-用户和物品-物品关系。该模块利用曲率来表征局部冗余,并相应地调整显式连接的强度:在结构稀疏的区域(通常具有负曲率)中,加强高阶链接以连接稀疏的邻域;在富含循环且冗余强烈的区域中,减弱显式连接以抑制噪声和过度平滑。这样,曲率不仅指导了几何分支的选择,还控制了边缘信息的拓扑感知使用,形成了几何与拓扑之间的协调互动。
主要贡献总结如下:
  1. •
    几何分析。
    在多个基准用户-物品图上估计了截面曲率,揭示了异构的局部几何模式,并为基于曲率的建模提供了实证依据。
  • •
    基于曲率的几何门控协同过滤。
    CGCF在双曲、欧几里得和球形分支上并行学习图表示,并通过曲率门控机制自适应地融合这些表示,从而在混合局部结构下减少失真。
  • •
    具有拓扑意识的增强。
    设计了一个轻量级的增强模块,利用曲率进行显式用户-用户和物品-物品关系的调节,平衡信号增强和噪声抑制。
  • •
    实证验证。
    在多个基准测试上的实验表明,与强基线方法相比,该模型具有持续的改进效果,验证了所提设计的有效性。
  • 部分摘录

    图神经网络和协同过滤

    图神经网络(GNN)[15]、[16]已成为图表示学习的有前景的方法,能够有效捕捉丰富的节点特征和图的结构信息。在协同过滤中,用户-物品交互可以表示为二分图,其中用户和物品作为节点,交互用边表示。为了更有效地捕捉高阶邻域信息,NGCF[5]扩展了图卷积网络(GCN)框架

    初步介绍

    我们简要回顾了黎曼几何的基本概念以及恒定曲率空间的κ-立体投影模型。更多细节请参阅[38]、[39]。

    调查和方法

    在本节中,我们首先从几何角度研究了用户-物品交互图的结构分布。从这一分析中获得的实证观察结果激发了我们设计基于曲率的图协同过滤模型的动机,以及如何整合边缘信息。

    实验设置

    数据集: 本节介绍了在四个公开可用的数据集上进行的广泛实验:Amazon-CD、Amazon-Book、Gowalla和Yelp2020。它们的统计信息总结在表1中。这些数据集在规模和密度上有所不同,确保了实验结果的稳健性。每个数据集被随机划分为训练集、验证集和测试集,比例为80:10:10。

    结论

    本文从几何角度重新审视了基于图的协同过滤,通过分析真实用户-物品交互图上的截面曲率。我们的实证观察表明,实际推荐图的局部几何结构涵盖了负值、接近零和正值曲率范围,表明不同邻域之间存在显著的几何异质性。这一发现表明,依赖单一的固定曲率空间往往不足以准确描述这些现象。

    CRediT作者贡献声明

    齐广志: 负责撰写——原始草稿、可视化、方法论、形式分析、概念化。
    刘国军: 负责撰写——原始草稿、可视化、监督、方法论、形式分析。
    周琪: 负责审阅与编辑、数据整理。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
    齐广志正在哈尔滨工业大学攻读博士学位。他的研究兴趣包括图神经网络和推荐系统。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号