ترجمه فارسی مقاله یادگیری نمایش گراف از طریق انتشار علی برای توصیه خارج از توزیع

چکیده

Graph Neural Networks (GNNs)-based recommendation algorithms typically assume that training and testing data are drawn from independent and identically distributed (IID) spaces. However, this assumption often fails in the presence of out-of-distribution (OOD) data, resulting in significant performance degradation. In this study, we construct a Structural Causal Model (SCM) to analyze interaction data, revealing that environmental confounders (e.g., the COVID-19 pandemic) lead to unstable correlations in GNN-based models, thus impairing their generalization to OOD data. To address this issue, we propose a novel approach, graph representation learning via causal diffusion (CausalDiffRec) for OOD recommendation. This method enhances the model’s generalization on OOD data by eliminating environmental confounding factors and learning invariant graph representations. Specifically, we use backdoor adjustment and variational inference to infer the real environmental distribution, thereby eliminating the impact of environmental confounders. This inferred distribution is then used as prior knowledge to guide the representation learning in the reverse phase of the diffusion process to learn the invariant representation. In addition, we provide a theoretical derivation that proves optimizing the objective function of CausalDiffRec can encourage the model to learn environment-invariant graph representations, thereby achieving excellent generalization performance in recommendations under distribution shifts. Our extensive experiments validate the effectiveness of CausalDiffRec in improving the generalization of OOD data, and the average improvement is up to 10.69% on Food, 18.83% on KuaiRec, 22.41% on Yelp2018, and 11.65% on Douban datasets.

چکیده به فارسی (ترجمه ماشینی)

الگوریتم های توصیه مبتنی بر نمودار (GNNS) به طور معمول فرض می کنند که داده های آموزش و آزمایش از فضاهای مستقل و یکسان توزیع شده (IID) تهیه می شوند.با این حال ، این فرض اغلب در حضور داده های خارج از توزیع (OOD) ناکام می ماند و در نتیجه تخریب عملکرد قابل توجهی ایجاد می شود.در این مطالعه ، ما یک مدل علیت ساختاری (SCM) را برای تجزیه و تحلیل داده های تعامل ایجاد می کنیم ، نشان می دهد که مخدوشان محیطی (به عنوان مثال ، همه گیر Covid-19) منجر به همبستگی های ناپایدار در مدلهای مبتنی بر GNN می شوند ، بنابراین باعث می شود که تعمیم آنها به داده های OOD باشد.برای پرداختن به این مسئله ، ما یک رویکرد جدید ، یادگیری نمودار را از طریق انتشار علیت (Caithaldiffrec) برای توصیه OOD پیشنهاد می کنیم.این روش با از بین بردن عوامل مخدوش محیطی و یادگیری بازنمایی های نمودار ثابت ، تعمیم مدل در داده های OOD را تقویت می کند.به طور خاص ، ما از تنظیم پشتی و استنتاج متغیر برای استنباط توزیع واقعی محیط زیست استفاده می کنیم و از این طریق تأثیر ناامید کننده های محیطی را از بین می بریم.این توزیع استنباط شده به عنوان دانش قبلی برای هدایت یادگیری بازنمایی در مرحله معکوس فرآیند انتشار برای یادگیری بازنمایی ثابت استفاده می شود.علاوه بر این ، ما یک مشتق نظری ارائه می دهیم که بهینه سازی عملکرد عینی Causyaldiffrec می تواند مدل را برای یادگیری نمایش های نمودار محیط زیست و متغیر ترغیب کند ، از این طریق به عملکرد عمومی عالی در توصیه های تحت تغییر توزیع می رسد.آزمایش های گسترده ما اثربخشی Caralealdiffrec در بهبود تعمیم داده های OOD را تأیید می کند ، و میانگین بهبود آن تا 10.69 ٪ در مواد غذایی ، 18.83 ٪ در کویرک ، 22.41 ٪ در Yelp2018 و 11.65 ٪ در مجموعه داده های Douban است.