摘要

在推荐数据极度稀疏的情况下，用户属性（如年龄、性别、居住地）以及物品属性（例如电影的类型、上映年份、导演）能够显著提升推荐准确率，尤其对那些评分记录较少的用户和物品而言。尽管大多数推荐模型可通过扩展以纳入用户与物品属性，但其模型架构往往因此变得更为复杂。相比之下，物品属性通常易于获取，而用户属性则常因隐私保护原因或与当前业务流程无关而难以获得，导致用户属性数据普遍稀缺。本文针对属性感知推荐系统面临的上述两个问题，提出了一种简洁高效的模型——GraphRec。该模型在结构上类似于经典的矩阵分解方法，将用户与物品共同嵌入到一个联合的潜在空间中，但其核心创新在于采用非线性潜在特征构建机制，能够无缝融合用户属性、物品属性或两者兼有。为应对用户属性稀缺的问题，GraphRec将用户-物品交互关系建模为一个二部图，并通过用户-物品共现图的拉普拉斯矩阵构建通用的用户与物品属性表示，仅依赖评分矩阵即可完成，无需额外的外部辅助信息。在三个推荐系统数据集上的实验结果表明，即使不使用任何外部辅助信息，GraphRec在性能上仍显著优于现有的最先进属性感知与内容感知推荐系统。