基于用户 - 物品 - 标签三分图的一体化扩散个性化推荐
提出了一种基于用户标签对象三元图的推荐算法,考虑到社交标签在信息检索中的重要作用,该算法计算时间成本低,并在 Del.icio.us 和 MovieLens 两个真实数据集上的实验结果表明它可以提高算法准确性和多样性,特别是在用户拥有多样的标签主题时可以获得更个性化的推荐结果。此外,算法精度依赖性的数值结果表明,该算法对于小度对象尤其有效,有效解决了推荐系统中众所周知的冷启动问题,尤其在具有异质性对象度分布的社交标记系统中表现显著。
Apr, 2010
通过构建一个查询 - 项目 - 标签三元组图和优化完整标签预测和部分标签完成两种情况的标签预测问题,我们提出了一种基于异构图神经网络的 Item Tagging 模型,证明在信息检索方面,该模型的性能优于现有的多标签分类方法。
Aug, 2020
使用数学和统计方法通过词汇相似度和共现标签来解决标签的语义相似性问题,建立了基于标签相似性的社区,并使用社区检测方法来确定用户的兴趣,从而改善推荐算法的效果。
Jan, 2022
本文提出了一种新的协作检索模型,通过整合社交网络信息来提高文本检索的准确性,在真实的音乐数据集上进行了实证分析,证明在数据稀疏性强的情况下,社交信息对于文本检索尤为重要。
Apr, 2014
提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案,使用检索图信息来增加多样性,捕捉用户的实时多样性倾向,并在微信应用的 Top Stories 等应用中实现并部署,离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。
May, 2023
我们提出了一种混合多任务学习方法,通过对描述性文本进行基于物品的对比学习,从而更好地理解知识图谱中的实体关系,提供更准确、相关、多样化的用户推荐,特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验,验证了我们方法的有效性,并且结果表明基于物品的对比学习提高了实体嵌入的质量。
Mar, 2024
该研究旨在提高推荐系统的效果,通过结合知识图谱中的全局信息和用户 - 物品交互数据中的局部信息,使用一个创新的 Duet 表示学习框架 KADM 来训练语义融合网络,成功地解决了现有的基于知识图谱的方法只关注图中结构信息的缺陷。
Dec, 2020
本文提出了一个基于图卷积的推荐框架,名为 Multi-GCCF,该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图,并在双分图上执行图卷积,在四个公共基准测试中取得较显著的改进,证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。
Jan, 2020
本文提出了一个新的社交推荐模型,使用双重图注意力网络来协同学习两种社交效应的表示,并在上下文中使用基于策略的融合策略来提高推荐精度。
Mar, 2019