FourierKAN-GCF: 基于KAN网络的图协同过滤方法

TLDR: 受前段时间大火的KAN网络的启发，本文提出一种基于FourierKAN的图协同过滤推荐模型，将图卷积网络中的MLP模型替换为KAN模型，以此来提高模型的性能和训练效率。

论文：https://arxiv.org/pdf/2406.01034 代码：https://github.com/Jinfeng-Xu/FKAN-GCF

图协同过滤(GCF)在推荐任务中取得了优越的性能。然而，大多数GCF结构简化了图卷积网络(GCN)中消息传递过程中的特征变换和非线性操作。重新审视这两个组件，发现GCN中消息传递过程中的一部分特征变换和非线性操作可以提高GCF的表示能力，但增加了训练的难度。

基于此，本文提出了一种简单有效的基于图的推荐模型FourierKAN-GCF。具体地，利用一种新型的傅里叶Kolmogorov-Arnold网络(KAN)代替多层感知器(MLP)作为GCN中消息传递过程中特征变换的一部分，提高了GCF的表示能力，且易于训练。本文进一步采用消息丢弃和节点丢弃策略来提高模型的表示能力和鲁棒性。

在两个公开数据集上的实验表明，FourierKANGCF比大多数最新方法具有更好的性能。