异质项目关系混合推荐
调查了不同类型的推荐框架的发展,重点关注于异构关系学习,分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法,探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。
Oct, 2021
本文旨在探讨如何通过数据融合来提高评分预测的准确性,通过扩展 Social MF 模型以及提出新的 MR3 框架,即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统,提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。
Jan, 2016
本文中,我们开发了一种新颖的神经网络模型,通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。
Dec, 2019
该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架,它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系,以更好地捕捉用户多行为数据的异构协作信号。
Jan, 2022
本文提出了一种基于图模型的食谱推荐方法,将协作信号纳入计算中,通过具有分层注意力和成分集转换器的异构图神经网络来捕捉食谱内容和协作信号,使用图对比增强策略以自我监督的方式提取信息,利用推荐和对比学习的联合目标函数来优化模型,实验证明了其优于现有的食谱推荐方法。
May, 2022
本文针对数据推荐模型中的异质性问题进行研究,通过双层聚类算法,探索了预测机制和协变量分布的异质性,并将其应用于预测和失真校正中,实验证明探索和利用数据异质性在推荐系统中的有效性。
May, 2023
通过从用户的异构行为信息中提取和融合异构知识,借助大型语言模型(LLM)实现个性化推荐,并通过结合异构知识与推荐任务,在 LLM 上进行指令调整以显著提高推荐性能。实验结果表明,我们的方法能够有效整合用户的异构行为并显著改善推荐性能。
Aug, 2023
介绍了一种针对推荐系统中推荐准确性和多样性的算法,通过将该算法与基于准确性的算法混合使用,能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。
Aug, 2008