摘要
基于图滤波（Graph Filtering, GF）的协同过滤（Collaborative Filtering, CF）方法通过使用低通滤波器（Low-Pass Filter, LPF）在无需训练过程的情况下，已在推荐准确率方面展现出当前最先进的性能。然而，传统的GF-based CF方法大多通过对物品-物品相似性图进行矩阵分解来实现理想的LPF，这导致了较高的计算开销，因而难以在需要快速推荐的场景中广泛应用。本文提出了一种全新的GF-based CF方法——Turbo-CF，该方法既无需训练，也无需矩阵分解。Turbo-CF采用多项式图滤波器，有效规避了昂贵的矩阵分解问题，从而充分挖掘现代计算机硬件组件（如GPU）的计算潜力。具体而言，Turbo-CF首先构建一个边权重经过有效调控的物品-物品相似性图；随后，设计了一种自研的多项式低通滤波器，在无需显式矩阵分解的前提下，仅保留低频信号。实验结果表明，Turbo-CF在保持高推荐准确率的同时具有极高的运行效率，在真实世界基准数据集上实现推荐响应时间低于1秒，其性能与当前最优方法相当。