STAR-GCN：堆叠和重构的图卷积网络用于推荐系统

May, 2019

STAR-GCN：堆叠和重构的图卷积网络用于推荐系统

STAR-GCN: Stacked and Reconstructed Graph Convolutional Networks for Recommender Systems

Jiani Zhang, Xingjian Shi, Shenglin Zhao, Irwin King

TL;DR本文介绍了一种名为 STAR-GCN 的新型图卷积神经网络模型，用于推荐系统中节点表示的学习，尤其是在冷启动场景中。STAR-GCN 采用一堆 GCN 编码器 - 解码器和中间监督来提高最终预测性能。与具有一次性编码节点输入的图卷积矩阵完成模型不同，STAR-GCN 学习低维度的用户和项目潜在因素作为输入，以抑制模型空间复杂性。此外，STAR-GCN 可以通过重构蒙版输入节点嵌入来为新节点产生节点嵌入，从而本质上解决了冷启动问题。此外，我们还发现了训练 GCN 模型进行链接预测任务时的标签泄漏问题，并提出了一种训练策略以避免这个问题。我们在多个评分预测数据集上进行了实证研究，结果表明我们的模型在五个真实世界数据集中的四个中实现了最先进的性能，并且在预测冷启动场景中的评分方面显示出了显著的改进。

Abstract

We propose a new STAcked and Reconstructed graph convolutional networks (star-gcn) architecture to learn node representations for boosting the performance in recommender systems, especially in the →

star-gcn recommender system cold start graph convolutional networks latent factors

发现论文，激发创造

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

IA-GCN: 交互图卷积网络用于推荐

本文提出 InterActive GCN，针对已有的基于 GCN 的协同过滤推荐系统采用相同的聚合方式从用户邻域中学习用户的表示，从而忽略了用户 - 项目对之间的交互特征。新模型在用户 - 项目对之间构建双边交互指导，提供了交互和可解释的特征，并且通过每个图卷积操作有效地提取了目标特定信息，能够与各种基于 GCN 的 CF 体系结构端到端地组合使用。实验表明，本文提出的 IA-GCN 具有较好的效果和鲁棒性。

Apr, 2022

基于堆叠时空图卷积网络的动作分割

本文介绍一种基于堆叠时空图卷积网络的行为分割方法，利用不同特征节点、长度不定的特征描述符和任意时间边缘连接来处理复杂活动中的大规模图变形，使用编码器 - 解码器设计来提高模型推广能力和位置准确性，且能联合推断得到涵盖全面上下文信息的行为分割结果。实验结果表明，该方法在 CAD120 数据集中 F1 值上取得了 4.0% 的性能提升，在 Charades 数据集中 mAP 值上取得了 1.3% 的性能提升。

Nov, 2018

在基于社交推荐项目中利用 Transformer 层改进图卷积网络

该研究通过引入多层 transformer 架构对 GCN 进行改进，重点集中于节点嵌入的编码器架构，利用注意力机制重新排列特征空间以获得更高效的下游任务嵌入，实验证明所提出的架构在传统链接预测任务上表现更好。

Jan, 2024

LightGCN：简化和强化图卷积网络用于推荐

研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。

Feb, 2020

面向推荐的兴趣感知消息传递 GCN

该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型，通过在用户兴趣相似的子图中进行高阶图卷积操作，避免了过度平滑问题，其在三个基准数据集上的实验结果表明，该模型可以通过叠加更多的层次获得性能提升，并且在 GCN-based 推荐模型上显著优于现有的最佳模型。

Feb, 2021

SocialGCN：一种基于图卷积网络的高效社交推荐模型

本文提出了一种基于图卷积神经网络的社交推荐模型，通过捕捉信息在社交网络中的扩散进程来影响用户偏好，使得模型在两个真实数据集上展现出了很好的性能。

Nov, 2018

SVD-GCN：面向推荐的简化图卷积范式

通过对 Graph Convolutional Networks 在推荐系统中的应用进行研究，提出了一种名为 SVD-GCN 的简化 GCN 学习的范例，并通过该方法仅利用 K 个最大奇异向量来提高推荐系统的性能，大幅度缓解了平滑问题。实验证明，该方法不仅显著优于现有技术，而且相对于 LightGCN 和 MF 分别实现了 100x 和 10x 的加速效果。

Aug, 2022

广义多任务学习的图星网络

本研究提出了 GraphStar 网络结构，用于节点分类、图分类和链接预测的预测任务，并通过消息传递和注意机制实现了非局部表征，该网络结构能够解决以前面临的许多挑战，并在几个关键基准测试中在图分类和链接预测方面比当前最先进的模型提高了 2-5%。

Jun, 2019

图形协同过滤再审视：线性残差图形卷积网络方法

本文提出了一种无非线性激活函数的简化 GCN 结构，以提高推荐性能，并提出了一种专门用于 CF 的残差网络结构来解决大规模数据下图卷积聚合操作的平滑问题，该模型易于训练、扩展到大规模数据集，并在两个真实数据集上展示出更好的效率和效果。

Jan, 2020