图卷积矩阵补全
本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络,以学习有意义的统计图结构模式和非线性扩散过程,从而生成已知的评分,具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验,表明该方法优于现有技术。
Apr, 2017
提出了一种针对缺失数据的归纳矩阵补全方法,通过图自编码器学习用户(或物品)的具体表示和局部图模式来实现个性化推荐。实验表明该模型在多个矩阵补全基准测试中均达到了最先进的性能水平。
Aug, 2021
本文介绍了一种用于推荐系统的基于自编码器的架构,通过使用适用于缺失数据的损失函数和引入侧面信息来改进其性能。实验证明,侧面信息对冷启动用户 / 物品的影响更显著。
Jun, 2016
本研究提出了基于图神经网络的矩阵补全算法,能够在没有用户或电影的年龄、种类等附加信息的情况下,通过在评分矩阵上提取 “用户 - 电影” 的子图来预测缺失的评分数据并取得竞争力相当的性能,而且其模型可以推广到训练期间没有出现的用户和电影上,并可用于其他相关任务,该方法证明了不需要过多的附加信息来建模推荐系统。
Apr, 2019
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
本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法,通过构建多部分图来表示复杂的交互模式,并进一步使用图卷积网络(Graph Convolutional Networks)提高推荐系统的表现。
Mar, 2021
本篇论文提出了一种新的推荐框架,名为神经图协同过滤 (NGCF),它通过在用户 - 物品图上传递嵌入来利用用户物品图结构,并显式地将协同信号注入到嵌入过程中,以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验,表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。
May, 2019
研究了协同过滤方法中用户和商品之间的图模型,提出了一种新的多组件图卷积协同过滤算法 (MCCF),旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块,设计了一种新的方式以获得对用户消费行为的高精度预测,实验结果表明,该算法不仅在三个真实数据集上表现优异,而且还证明了考虑多个组件的必要性。
Nov, 2019
研究了利用社交或项目相似性图作为辅助信息的矩阵完成问题,开发了一种通用、无参数、计算效率高的算法,该算法从分层图聚类开始,然后迭代地在图聚类和矩阵评级上进行估计。在考虑社交图和低秩评级矩阵模型下,我们证明了我们的算法达到了最大似然估计推导的观察矩阵条目数量的信息熵界限(即最优的样本复杂度)。利用社交图的分层结构相对于仅仅识别不同群体而不诉诸它们之间的关系结构可以获得显著的样本复杂度增益。我们在合成和实际数据集上进行了广泛的实验,以验证我们的理论结果,并证明相对于利用图侧信息的其他矩阵完成算法,我们的算法具有显著的性能改进。
Jan, 2022
本研究提出了一种基于图卷积的上下文感知推荐系统框架,包括编码器、图卷积层和解码器,通过对用户 - 物品图进行上下文感知图卷积优化,有效提升了推荐准确率。
Jan, 2020