本論文では、実世界の推薦システムにおいて、暗黙的に収集されたユーザーフィードバックには多くのノイズが含まれるという課題に取り組む。従来のグラフニューラル推薦モデルは、ノイズの多い暗黙的なユーザー-アイテム相互作用を集約することで、ユーザープロファイルを正確にキャプチャしようとしているが、ノイズの影響を受けやすい。
そこで本研究では、新しい拡散グラフトランスフォーマー(DiffGT)モデルを提案する。DiffGTモデルは、方向性ガウスノイズを用いた拡散プロセスと、ユーザーの過去の相互作用情報を活用した条件付き逆拡散プロセスを組み合わせている。
まず、拡散プロセスの順方向では、ユーザー-アイテム相互作用グラフの固有の異方性構造に合わせて、方向性ガウスノイズを徐々に注入する。次に、逆拡散プロセスでは、グラフトランスフォーマーアーキテクチャと線形アテンションモジュールを統合し、ノイズの多い埋め込みを効果的かつ効率的に除去する。さらに、この逆拡散プロセスは、ユーザーの過去の相互作用情報によってガイドされ、ユーザーの好みを正確に推定できるようになっている。
提案手法の有効性を検証するため、3つのベンチマークデータセットで10の最新手法と比較実験を行った。その結果、DiffGTモデルが全てのデータセットにおいて最も優れた性能を示すことが確認された。
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések