SIGformer: Sign-aware Graph Transformer for Recommendation

最新推荐文章于 2025-08-04 14:37:01 发布

唯一的哈姆雷特

最新推荐文章于 2025-08-04 14:37:01 发布

阅读量947

点赞数 18

CC 4.0 BY-SA版权

分类专栏：推荐系统文章标签： transformer 深度学习人工智能

本文链接：https://blog.csdn.net/Zjkorigin/article/details/142859219

SIGformer: Sign-aware Graph Transformer for Recommendation（Sigir24）

在这里插入图片描述

摘要

在推荐系统中，大多数基于图的方法只关注用户的正面反馈，而忽略了有价值的负面反馈。将正反馈和负反馈结合起来形成一个带符号的图，可以更全面地理解用户的偏好。然而，现有的两类反馈融合算法存在两个主要局限性：1）它们分别处理正反馈和负反馈，无法从整体上利用签名图中的协作信息; 2）它们依赖于MLP或GNN从负反馈中提取信息，可能效果不佳.为了克服这些局限性，我们引入了SIGformer，一种新的基于符号感知的图推荐方法。SIGformer结合了两种创新的位置编码，可捕获带符号图的频谱属性和路径模式，从而能够充分利用整个图。

引言

普通的Transformer只关注通过自我注意的语义相似性，缺乏显式编码的协作信息的签名图。尽管现有的图Transformer模型[6，36，65]引入了微妙的位置编码来捕获图结构，但它们既不是专门为签名图设计的，也不是为推荐任务设计的。为了解决这些挑战，我们引入了两种为基于符号感知图的推荐量身定制的新颖位置编码：
(1)信号感知频谱编码（SSE）。为了整合整个符号图的结构，我们提出了在符号图上使用节点谱表示。具体地说，我们将符号图的拉普拉斯矩阵的低频特征向量作为位置编码。我们的理论分析支持了这种方法的有效性：配备SSE的Transformer可以被解释为一个低通滤波器，使具有正反馈的用户-项目对的嵌入更近，而使具有负反馈的用户-项目对的嵌入更远。
(2)信号感知路径编码（SPE）。为了进一步捕捉用户和项目之间的协作关系，我们关注符号图中的路径模式，将这些路径