Jul, 2019

面向大规模社交推荐的三方异构图传播

PDF
TL;DR本文提出了一种名为 “异构图传播” 的新图嵌入方法，通过使用组 - 用户 - 商品三部分图以减少社交图中的边数和路径的复杂性，分别使用个性化的 PageRank 传播方案对组 - 用户图和用户 - 商品图中的节点进行嵌入，并使用一种注意机制将每个图中的节点嵌入进行集成，解决了图神经网络在社交推荐中的过度平滑问题，并在大规模真实世界数据集上证明了该方法优于其他基线的性能。
graph neural networksrecommender systemsheterogeneous graph propagationoversmoothingpersonalized pagerank
发现论文，激发创造
  • 高效异构图学习通过随机投影

    我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。

    Oct, 2023

  • 异质分布传播的图神经网络

    本研究提出了异质分布传播（HDP）用于图神经网络，通过在训练期间基于伪指派将邻居自适应分为同质和异质部分，通过可信原型对比学习范式的正交性约束学习异质邻居分布，并通过一种新颖的语义感知信息传递机制传播同质和异质模式，实验证明该方法在异质数据集上优于代表性基线方法。

    May, 2024

  • 通过动态时期定义的长期和短期偏好的异构图建模的社交推荐

    通过在异构图中结合社交网络数据的动态属性，本研究提出了一种新的方法来提供社交推荐，旨在捕捉用户的长期和短期偏好并聚合分配的边权重，以实现对时间变化的用户偏好的建模，实验结果证明了该模型的有效性。

    Dec, 2023

  • 社交推荐的图神经网络

    本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

    Feb, 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

  • 隐私保护推荐的联邦异构图神经网络

    该论文提出了一种基于异构图神经网络的联邦框架，用于在分布式的异构信息网络中协同训练推荐模型，保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。

    Oct, 2023

  • 利用分层图神经网络增强全局上下文的社交推荐

    本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

    Oct, 2021

  • 图形趋势滤波网络用于推荐

    本文介绍了通过图神经网络进行推荐的方法，并探讨了现有方法的一些缺点，提出一种基于图趋势过滤网络的新方法，以捕捉交互性的自适应可靠性。

    Aug, 2021

  • 基于分层超边嵌入的团体推荐表示学习

    本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

    Mar, 2021

  • 基于图分割和空间投影的异质网络嵌入方法 - GPSP

    提出 GPSP，通过图分区和空间投影，学习多类型节点和链接的异构网络表示，各个子网中学习投影嵌入向量，将来自双部分子网的投影向量与同质子网的向量进行连接，展示出 GPSP 在结点分类与聚类等关键网络挖掘任务上的表现胜过现有基础线。

    Mar, 2018