基于信任的协同过滤中图嵌入的实证比较
Empirical Comparison of Graph Embeddings for Trust-Based Collaborative Filtering
摘要：
在这项工作中，我们研究的效用图嵌入生成潜在的用户表示基于信任的协同过滤。在冷启动设置中，在三个公开可用的数据集上，我们评估了来自四个方法家族的方法：（i）基于因子分解，（ii）基于随机游走，（iii）基于深度学习，以及（iv）大规模信息网络嵌入（LINE）方法。我们发现，在这四个家庭中，基于随机游走的方法始终达到最佳的准确性。此外，它们还产生了非常新颖和多样化的推荐。此外，我们的研究结果表明，使用图嵌入在基于信任的协同过滤显着提高用户覆盖率。
英文摘要：
In this work, we study the utility of graph embeddings to generate latent user representations for trust-based collaborative filtering. In a cold-start setting, on three publicly available datasets, we evaluate approaches from four method families: (i) factorization-based, (ii) random walk-based, (iii) deep learning-based, and (iv) the Large-scale Information Network Embedding (LINE) approach. We find that across the four families, random-walk-based approaches consistently achieve the best accuracy. Besides, they result in highly novel and diverse recommendations. Furthermore, our results show that the use of graph embeddings in trust-based collaborative filtering significantly improves user coverage.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
