IJCAIJun, 2019

多关系推荐系统的记忆网络协同度量学习

PDF
TL;DR提出了一个多关系记忆网络（MRMN）模型，用于建模用户与物品的多类型交互以及潜在关联性学习，可以更精确地捕获用户的偏好，从而优于当前大多数推荐系统。
recommender systemsuser feedbackmultiple types of interactionslatent relational learningmrmn model
发现论文，激发创造
  • 基于记忆注意力机制的潜在关系度量学习用于协作排名

    本文提出了一种新的神经架构 LRML (潜在关系度量学习) 用于协同排名与隐式反馈推荐，并在多个推荐基准中实现了最先进的性能。该模型通过学习潜在关系描述每个用户项目交互，通过增强记忆模块和学习余下的记忆块来构建潜在关系。

    Jul, 2017

  • 基于交叉交互式协作关系建模的多行为增强推荐

    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

  • 语义增强的关系度量学习在推荐系统中的应用

    通过引入语义信息，我们提出了一种联合语义增强关系度量学习 (SERML) 框架，该框架从目标评论中提取语义信号，并通过该信号改进了原始基于关系的训练过程的区分能力，实验证明 SERML 在推荐系统中表现与几种先进方法相当。

    Jun, 2024

  • 合作记忆网络用于推荐系统

    本文章提出了一种名为 Collaborative Memory Networks (CMN) 的深度神经网络，可以有效地结合 latent factor model 和 local neighborhood-based structure，而不是单纯地使用 latent factor model，以提高协同过滤推荐系统的精度和效率。实验结果表明，CMN 在三个公共数据集上优于竞争基线。

    Apr, 2018

  • 层次潜在关系建模用于协同度量学习

    本文提出了一种基于协作度量学习（Collaborative Metric Learning，CML）模型的层次模型，可以联合捕捉数据中的潜在用户 - 物品和物品 - 物品之间的关系，并在多个真实数据集上的推荐任务中表现出比现有模型更好的性能。

    Jul, 2021

  • 通过记忆增强变压器网络进行多路行为关系学习推荐

    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。

    Oct, 2021

  • 序列推荐的记忆增强图神经网络

    提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

    Dec, 2019

  • 利用大型语言模型进行推荐的表示学习

    通过整合大型语言模型与推荐系统的表示学习，我们提出了一个模型不可知的框架 RLMRec，旨在增强现有的推荐器，并提高其对于用户行为和偏好的语义理解，同时通过交叉视角对齐框架，将 LLM 的语义空间与协同关系信号的表示空间相对应。

    Oct, 2023

  • 推荐系统中异构关系学习的最新进展

    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

  • 基于循环关系记忆网络的无监督图像描述生成

    本文提出了一种基于记忆机制的无监督图像描述模型 —— 循环关系记忆网络 (R2M)，相较于 GAN 模型，该方法克服了句子生成中复杂和敏感的对抗学习，并且通过融合和循环两种记忆机制实现了从通用可视化概念到自然语言的翻译；我们在多项基准数据集上的实验证明，R2M 在参数少、计算效率高等各方面均优于目前最先进的技术。

    Jun, 2020