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
本文提出了一种新的基于几何学聚合的 aggregation 方案,包含三个模块:节点嵌入,结构化邻域和双层聚合,并将其实现到图卷积网络中,命名为 Geom-GCN。在多个开放数据集上的实验结果表明,Proposed Geom-GCN 已经达到了当前状态的最佳性能。
Feb, 2020
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
我们介绍了一种新方法 ROGMC,用于基于 GNN 的矩阵补全,通过整体偏好传播直接融入 GNN 的消息传递,根据评分类型的固有顺序更强调用户的偏好,辅以兴趣正则化以提高兴趣学习,实验证明 ROGMC consistently 优于现有的在 GNN 中使用评分类型的策略。
Mar, 2024
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。
这篇研究论文从图的角度考虑了推荐系统的矩阵填充问题,提出了一个基于可微分消息传递的自编码器框架,并在该领域常用的协同过滤数据集中表现出了良好的性能,尤其是在结构化数据和社交网络数据等背景信息充足的场景中的表现更为优异。
Jun, 2017
本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法,通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性,扩展感受野以建模高阶邻近信息,并将邻居信息与偏差相结合计算给定实体的表示,以优化协同过滤型推荐系统的性能。实验结果表明,该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。
Mar, 2019
基于几何深度学习的时态图卷积网络(GCN)用于降水预报,通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵,并通过 GCN 层对空间关系进行优化,并使用不同核长度的一维卷积提取时间信息,最终结果通过邻域信息作为辅助输入层来改善,实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性,从而降低误差度量。
Sep, 2023