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
通过引入多行为的模式建模到元学习范式中的多行为推荐框架,可以提高推荐性能。
Oct, 2021
该研究旨在解决当前推荐系统仅考虑用户与物品的单一交互类型,无法识别具有复合行为关系的交互信号的问题,通过提出使用记忆 - 增强变压器网络(MATN)的方法实现多重行为关系信息推荐。经过实验证明,该方法在两个基准数据集和真实世界的电子商务用户行为数据方面均取得了显著的改进。
本文提出采用多行为互动模式进行时间变化的用户偏好建模,通过提出的 Temporal Graph Transformer 模型,能够更好地学习不同行为间的相关性,有效解决单一行为矩阵稀疏和数据不足等问题。
Jun, 2022
本文研究了 Multi-Behavior Sequential Recommendation 问题,提出了一种名为 Personalized Behavior-Aware Transformer (PBAT) 的框架,该框架通过建模个性化模式和多方面的序列协作来提高推荐性能。
Feb, 2024
设计了一种多行为超图增强 Transformer 框架(MBHT),用于捕获基于多个交互类型的短期和长期行为依赖关系,该框架通过低秩自注意力和超图神经网络结构实现。
Jul, 2022
该研究提出了一种新的模型 CML,即对比元学习,用于处理具有不同类型行为的多行为数据中用户和物品之间的关系,通过对比损失获取可传输知识,以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能,并释放出模型实现。
Feb, 2022
本文提出了一种利用多重关系的点击率(CTR)预测框架(MTBRN)来增强 CTR 预测的方法,并采用各种图形结构(如知识图和商品相似度图)构建多个关系路径。采用 Bi-LSTM 编码每个路径以及路径融合网络和路径激活网络进行适当的聚合和训练以进行 CTR 预测,通过离线和在线的实验进一步表明了 MTBRN 框架的有效性。
Aug, 2020
提出一种新的多行为多视角对比学习推荐算法,其中包括三种新的对比学习任务,可解决多行为建模中的挑战,在两个真实数据集的广泛评估和消融测试中,该方法取得了超越现有基线的 SOTA 性能。
Mar, 2022
本研究提出一种多行为自监督学习(MBSSL)框架,包括一种自我注意力机制和行为感知图神经网络,该框架可用于应对稀疏目标信号和嘈杂的辅助交互。此外,通过梯度的混合操作,开发了一种自适应优化策略,并在五个真实世界的数据集上对该方法进行了广泛的实验.
May, 2023