为基于图的时尚推荐系统建模各向异性偏好流形以提高鲁棒性

《Scientific Reports》：Modeling anisotropic preference manifolds for robust graph-based fashion recommendation

　　

摘要

图卷积网络（GNNs）已成为协同过滤领域的主流方法；然而，在时尚等复杂领域中，其效果常常受到模型假设与数据现实之间根本性几何差异的阻碍。传统方法通常依赖于标量聚合和欧几里得度量，这些方法隐含地假设用户兴趣群是各向同性的（球形的）且分布均匀。这一假设无法捕捉时尚偏好的复杂性，因为时尚风格的分布存在显著的各向异性——从稀疏的、广泛的类别到密集的、小众的趋势。为了解决这一问题，我们提出了多兴趣马氏距离去噪图卷积网络（MIMD-GCN），该框架将结构解耦与几何感知的去噪技术相结合。我们引入了一种多注意力机制，将用户表示分解为多个潜在的兴趣中心，从而避免了多样化的偏好被简化为单一向量的问题。此外，我们构建了一个基于可学习马氏距离屏障的各向异性去噪模块。与静态的欧几里得阈值不同，该机制能够动态适应特定兴趣流形的协方差结构，建立椭圆形边界，有效隔离虚假交互的同时保留有效的小众信号。在Amazon-Clothing和Taobao数据集上的大量实验表明，MIMD-GCN在推荐性能上显著优于现有基线方法，并且在合成噪声环境下表现出更强的鲁棒性。这些结果表明，各向异性建模为捕捉时尚推荐中的复杂用户偏好提供了有益的几何视角。