AAAINov, 2018

基于图神经网络的会话推荐

PDF
TL;DR该论文提出了一种名为 SR-GNN 的新型方法，基于图神经网络来对会话进行建模，并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合，从而提高了会话推荐的准确率。
session-based recommendationuser actions predictiongraph neural networksitem embeddingattention network
发现论文，激发创造
  • 全局上下文增强的图神经网络用于会话推荐

    本文提出了一种新的方法，称为全局上下文增强图神经网络 (GCE-GNN)，利用全局图和会话图中的项目转换更精细地推断用户偏好，从而改善了会话推荐，此方法在三个基准数据集上都表现出优异的性能。

    Jun, 2021

  • 基于图神经网络的跨会话信息利用

    本文提出了一种基于图神经网络 (Full Graph Neural Network, FGNN) 以及广联跨时加工 (Broadly Connected Session, BCS) 的新型会话 (session) 推荐算法，旨在更好地捕捉复杂的物品依赖关系和跨时信息。在 Yoochoose 和 Diginetica 等两个电子商务基准数据集上广泛测试，实验结果表明，与现有会话推荐模型相比，该算法具有优异的性能。

    Jul, 2021

  • 通过图神经网络对基于会话的推荐建模复杂依赖关系

    本文提出了一种新的基于评论信息的图神经网络方法 (RI-GNN)，用于改善 SBRs 中的物品之间的依赖关系，从而提高基于会话的推荐性能。实验证明，RI-GNN 优于目前已有的 SOTA 方法。

    Jan, 2022

  • 使用图神经网络重新思考基于会话的推荐的商品排序

    本文提出了一种新的基于会话图的推荐模型，该模型通过构建会话图，并协同考虑序列顺序和会话图的潜在顺序，将下一个项目推荐问题建立为图分类问题，并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集，Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。

    Nov, 2019

  • 对话式推荐的对比多级图神经网络

    本文提出了一种新颖的对比多层图神经网络方法（CM-GNN）来更好地利用复杂和高阶的物品转换信息，并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明，所提出的方法优于现有的会话推荐技术。

    Nov, 2023

  • G3SR: 全球图引导的基于会话的推荐

    研究了基于 Session 的推荐算法，并提出一种名为 G3SR 的新方法，在两个真实世界的基准数据集上进行了广泛的实验，表明改进后的方法在冷启动情况下比现有的最先进方法取得了显著的并且一致的改进效果。

    Mar, 2022

  • 基于 GNN 的会话推荐算法性能比较

    在会话推荐设置中，基于图神经网络（GNN）的方法在集成不同类型项目的信息方面表现出色，然而，模型评估和研究方法仍存在问题，简单模型在平均倒数排名和点击率方面优于最近的 GNN 模型，指出会话推荐领域仍有改进空间。

    Dec, 2023

  • SimCGNN: 基于对比的会话推荐简单图神经网络

    该研究提出了一种基于对比学习的简单对比图神经网络用于会话推荐，通过获得标准化的会话图嵌入、正负样本的构建和新颖的负样本选择策略，优于现有方法并进行了大量实验验证。

    Feb, 2023

  • NISER: 处理流行度偏差的标准化物品和会话表示法

    该研究针对基于会话的推荐模型存在的流行度偏向问题，提出使用规范化嵌入表示方法，结合图神经网络来更好地支持复杂的推荐场景，实验证明效果显著。

    Sep, 2019

  • 个性化基于 Session 的推荐的异构全局图神经网络

    本文介绍了一种基于 Heterogeneous Global Graph Neural Networks 的物品跃迁模型，该模型利用用户历史和当前会话的信息推断用户偏好，从而提供个性化的推荐服务。

    Jul, 2021