论文标题
基于信任的协作过滤的图形嵌入的经验比较
Empirical Comparison of Graph Embeddings for Trust-Based Collaborative Filtering
论文作者
论文摘要
在这项工作中，我们研究了图形嵌入的实用程序，以生成基于信任的协作过滤的潜在用户表示。在冷启动的环境中，在三个公开可用的数据集中，我们评估了四个方法系列中的方法：（i）基于分解的基于分解的基于步行，基于步行，（iii）基于深度学习的基于深度学习，以及（iv）大规模信息网络嵌入（线路）方法。我们发现，在这四个家庭中，基于随机步行的方法始终达到最佳准确性。此外，它们导致高度新颖和多样化的建议。此外，我们的结果表明，在基于信任的协作过滤中使用图形嵌入会大大改善用户覆盖范围。
In this work, we study the utility of graph embeddings to generate latent user representations for trust-based collaborative filtering. In a cold-start setting, on three publicly available datasets, we evaluate approaches from four method families: (i) factorization-based, (ii) random walk-based, (iii) deep learning-based, and (iv) the Large-scale Information Network Embedding (LINE) approach. We find that across the four families, random-walk-based approaches consistently achieve the best accuracy. Besides, they result in highly novel and diverse recommendations. Furthermore, our results show that the use of graph embeddings in trust-based collaborative filtering significantly improves user coverage.
