摘要
协同过滤是推荐系统中最基础的核心课题之一。针对协同过滤，已有多种方法被提出，涵盖矩阵分解到图卷积等多种技术。受近期基于图滤波方法以及基于评分的生成模型（Score-based Generative Models, SGMs）取得成功的启发，本文提出了一种全新的“模糊-锐化过程模型”（Blurring-Sharpening Process Model, BSPM）。SGMs 与 BSPM 具有相同的处理哲学：在对原始信息进行扰动后，再逐步恢复其原始形态，从而在此过程中发现新的信息（例如，在 SGMs 中生成新图像）。然而，SGMs 与本文提出的 BSPM 所处理的信息类型不同，且其最优的扰动与恢复机制存在根本性差异，因此 BSPM 的形式与 SGMs 显著不同。此外，本文提出的概念不仅在理论上涵盖了多种现有协同过滤模型，而且在三个基准数据集（Gowalla、Yelp2018 和 Amazon-book）上的实验结果表明，其在 Recall 和 NDCG 指标上均优于现有方法。同时，所提方法的处理时间与当前主流快速基线方法相当。未来，通过设计更优的模糊（即扰动）与锐化（即恢复）机制，本模型具有巨大的发展潜力，有望进一步提升推荐性能。