LT-OCF: Learnable-Time ODE-basierte kollaborative Filterung

Kollaboratives Filtern (Collaborative Filtering, CF) ist ein klassisches Problem von Empfehlungssystemen. In den letzten Jahren wurden zahlreiche neue Ansätze vorgestellt, die von klassischen Matrixfaktorisierungsverfahren bis hin zu jüngsten Ansätzen basierend auf Graphen-Convolutional Networks (GCNs) reichen. Nach intensiven Diskussionen in der Forschergemeinschaft richten sich zunehmend die Bemühungen auf lineare GCNs mit Schichtkombination, die in vielen Datensätzen eine state-of-the-art Genauigkeit erreichen. In dieser Arbeit erweitern wir diese Ansätze basierend auf Neural Ordinary Differential Equations (NODEs), da der Ansatz der linearen GCNs als Differentialgleichung interpretiert werden kann. Wir präsentieren die Methode des Learnable-Time ODE-based Collaborative Filtering (LT-OCF). Der zentrale Beitrag unserer Methode liegt darin, dass wir nach einer Neukonzeption linearer GCNs im Rahmen der NODE-Formulierung i) die optimale Architektur lernen, anstatt auf manuell entworfene Strukturen zurückzugreifen, ii) glatte ODE-Lösungen lernen, die für CF als geeignet angesehen werden, und iii) verschiedene ODE-Löser testen, die interne, vielfältige neuronale Netzwerkkonfigurationen aufbauen. Zudem stellen wir eine neuartige Trainingsmethode vor, die speziell auf unsere Methode abgestimmt ist. In Experimenten an drei Standard-Datensätzen – Gowalla, Yelp2018 und Amazon-Book – zeigt unsere Methode konsistent höhere Genauigkeit im Vergleich zu bestehenden Ansätzen: Beispielsweise erreicht LightGCN auf Amazon-Book eine Recall-Rate von 0,0411, während LT-OCF eine Recall-Rate von 0,0442 erzielt, und ein NDCG-Wert von 0,0315 (LightGCN) steigt auf 0,0341 (LT-OCF). Ein weiterer bedeutender Befund aus unseren Experimenten, der erwähnenswert ist, ist, dass die höchste Genauigkeit nicht durch lineare, sondern durch dichte Verbindungen erreicht wird.