KDDMay, 2019

通过最大团优化实现 Exact-K 推荐

PDF
TL;DR本文提出了一个新的推荐问题 Exact-K 推荐，针对此问题，研究团队以图为基础将其简化为最大点团问题，并提出了一种名为 GAttN 的图注意力网络，结合自注意力编码器和注意力解码器，实现一整套的 End-to-End 训练方法，再结合行为克隆和强化学习的方法实现模型的训练，实验结果表明，所提出的模型可以在 Exact-K 推荐问题上取得更好的表现。
发现论文，激发创造
  • 面向组合优化的通用图神经网络框架

    图神经网络在解决节点分类、图分类和链接预测等任务方面取得了巨大成功。然而，将图神经网络和机器学习应用于组合优化问题的研究相对较少。本文引入了一种新颖的图神经网络架构，利用复杂的滤波器组和局部化注意机制来解决图上的组合优化问题。我们展示了我们的方法如何与以往基于图神经网络的组合优化求解器区别开来，并在自监督学习设置下有效地应用于最大团、最小支配集和最大割问题。除了证明在各项任务上具有竞争力的整体性能外，我们还为最大割问题建立了最新的研究结果。

    May, 2024

  • KGAT: 知识图谱注意力网络推荐

    提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法

    May, 2019

  • 组合优化中的细粒度搜索空间剪枝和启发式学习

    该研究提出了一种基于机器学习的框架来扩大组合优化算法，并使用可解释的学习模型来提供更深层次的洞见，以设计更好的启发式方法，在最大团枚举问题中展示了该框架的性能，并从中获得启示设计了一种新的启发式方法。

    Jan, 2020

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

    Sep, 2021

  • Poincaré 球中基于知识增强的 Top-K 推荐

    本文中介绍了一种基于超螺旋空间的个性化推荐模型，其中使用了知识图谱、超螺旋空间和自适应的正则化机制，通过在三个真实数据集上的实验表明，相较于最先进的现有模型，该模型在 NDCG@K 上的推荐效果提高了 2-16%。

    Jan, 2021

  • 基于 Ripple 知识图谱的卷积神经网络推荐系统

    该论文介绍了一种名为 RKGCN 的端到端深度学习模型，使用知识图来提高模型的可解释性和准确性，能够基于用户偏好提供更个性化、相关性更高的推荐，在三个真实场景的实验结果中优于五个基准模型。

    May, 2023

  • 知识图谱卷积网络用于推荐系统

    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

  • 最大团问题的新方法综述：从经典算法到图神经网络和量子算法

    这篇论文对最大团问题进行了全面的综述，介绍了解决该问题的经典算法，并对图神经网络和量子算法的最新发展进行了回顾，并提供了用于测试经典、新学习和量子算法的基准。

    Mar, 2024

  • 基于上下文的图注意力网络在具有物品知识图的推荐中的应用

    该研究提出了一种名为 CGAT 的新型推荐框架，可以明确地利用实体在知识图中的本地和非本地图上下文信息，以实现个性化的推荐，这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文，并利用 RNN 来模拟实体和其非本地上下文实体之间的依赖关系

    Apr, 2020

  • 基于用户中心子图网络的知识增强推荐

    基于知识图谱和图神经网络的用户中心子图网络方法 (KUCNet) 构建了用户 - 物品子图以捕捉用户物品历史交互和知识图谱提供的辅助信息，并使用基于注意力机制的图神经网络对子图进行编码，提供了准确、高效、可解释的推荐特别是针对新物品的方法。实验结果表明 KUCNet 在基于知识图谱和协同过滤的方法上具有优势。

    Mar, 2024