Sheaf4Rec：基于图的推荐系统中的Sheaf神经网络

《ACM Transactions on Recommender Systems》：Sheaf4Rec: Sheaf Neural Networks for Graph-based Recommender Systems

Sheaf4Rec基于范畴论提出新型图神经网络模型，通过向量空间动态表示用户和物品，在F1-Score@10和NDCG@10指标上分别提升8.53%和11.29%，同时运行效率比现有模型提高2.5%-37%。

　　

摘要

图神经网络（GNN）的最新进展促进了其在各种应用中的广泛应用，包括推荐系统。GNN 在处理推荐系统面临的挑战方面表现出色，能够高效地对图进行建模，其中节点代表用户或项目，边表示偏好关系。然而，当前的 GNN 技术通过单一的静态向量来表示节点，这可能无法充分捕捉用户和项目的复杂特性。为了解决这些限制，我们提出了一种受范畴论启发的先进模型：Sheaf4Rec。与单一向量表示不同，Sheaf 神经网络及其对应的拉普拉斯算子使用向量空间来表示每个节点（和边）。我们的方法利用了这一理论，实现了更全面的表示方式，在推理过程中可以有效利用，为各种与图相关的任务提供了一种通用方法，并展现了无与伦比的性能。我们提出的模型在 F1-Score@10 上相对提升了高达 8.53%，在 NDCG@10 上提升了高达 11.29%，性能超过了现有的最先进模型，如神经图协同过滤（NGCF）、KGTORe 以及其他最近开发的基于 GNN 的模型。除了卓越的预测能力外，Sheaf4Rec 在效率方面也表现出显著提升：与其他基于 GNN 的竞争模型相比，我们的运行时间减少了 2.5% 到 37%，表明在实现更好性能的同时，信息处理方式更加高效。代码可在以下链接获取：https://github.com/antoniopurificato/Sheaf4Rec。