2024年5月13日至5月17日，在新加坡圣淘沙名勝世界圣淘沙會議中心舉辦了The Web Conference 2024。實(shí)驗(yàn)室博士生夏家峰同學(xué)作為第一作者的論文《Hierarchical Graph Signal Processing for Collaborative Filtering》被本屆The Web Conference 2024錄用，并參加了此次會議。

會議現(xiàn)場照片

圖信號處理（GSP）是信號處理理論在圖數(shù)據(jù)上的擴(kuò)展，近年來因其出色的性能和無需參數(shù)的特性已成為推薦系統(tǒng)領(lǐng)域用于建模用戶偏好的常用工具之一。通過在用戶交互信號上構(gòu)建各種類型的濾波器，圖信號處理能夠識別不同類型的交互模式用于用戶偏好建模，從而準(zhǔn)確地預(yù)測用戶未來的交互?，F(xiàn)有的方法在設(shè)計(jì)濾波器時是在所有的用戶交互數(shù)據(jù)上進(jìn)行的，因此濾波器主要側(cè)重于識別用戶的通用交互模式。然而，僅使用用戶的通用交互模式會導(dǎo)致用戶偏好建模出現(xiàn)偏差，因?yàn)樽R別到的通用交互模式并不一定和用戶的偏好完全匹配，它容易受到具有不同交互行為的其他用戶的影響，從而導(dǎo)致對用戶未來交互的預(yù)測不夠理想。為解決這一問題，文章提出了一種分層圖信號處理方法。受市場營銷領(lǐng)域用戶細(xì)分理論（沒有兩個用戶是完全相同的，也沒有兩個用戶是完全不同的）的啟發(fā)，HiGSP首先根據(jù)用戶的歷史交互行為將其聚類，使得同一簇內(nèi)的用戶具有相似的偏好，而處于不同簇中的用戶則有不同的偏好。然后，HiGSP設(shè)計(jì)了一個簇內(nèi)濾波器，用于識別各個簇中用戶的交互模式，從而使得識別到的交互模式是用戶特定的而不受其他具有不同交互行為的用戶的影響。此外，HiGSP還設(shè)計(jì)了一個全局感知的濾波器，作為對簇內(nèi)濾波器的補(bǔ)充，用于識別用戶的通用交互模式。最后，HiGSP采用了一個線性模型將這兩個模塊結(jié)合起來，以獲得更精準(zhǔn)的用戶交互模式。大量的實(shí)驗(yàn)證明，HiGSP在預(yù)測準(zhǔn)確性方面優(yōu)于現(xiàn)有基于GCN和GSP的推薦方法，同時在訓(xùn)練效率方面與現(xiàn)有的最高效的方法相當(dāng)。

模型框架