Jan, 2020

DiffNet++：面向社交推荐的神经影响和兴趣扩散网络

PDF
TL;DR本文提出了 DiffNet++ 算法，结合社交网络与兴趣网络，通过三个方面迭代聚合用户嵌入，设计了多级注意力网络，有效地解决了社交推荐中数据稀疏问题。
social recommendationcollaborative filteringneural influence diffusion networkinterest networkmulti-level attention network
发现论文，激发创造
  • 社交推荐的神经影响扩散模型

    该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

    Apr, 2019

  • RecDiff: 社交推荐的扩散模型

    社交推荐是一种利用用户之间的社交连接，如在线社交平台中观察到的关注和朋友关系，增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff，通过在压缩和稠密的表示空间中进行多步噪声扩散和去除，识别和消除用户表示中的噪声，从而显著提高推荐准确性。实验证明了该框架在推荐准确性、训练效率和去噪效果方面的优越性。

    Jun, 2024

  • DeepInf: 基于深度学习的社交影响预测

    作者设计了一个端到端的深度神经网络框架 DeepInf，用于学习用户的潜在特征表示以预测社交影响，并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。

    Jul, 2018

  • 神经多网络扩散推荐

    本文提出了一种基于图神经网络的社交推荐模型 NeMo，使用生成式负采样策略并利用正负用户 - 物品交互推广用户兴趣，提高了推荐泛化能力和准确度。实验证明，在各种真实世界的基准数据集上（例如在 NDCG@15 方面高达 38.8%）NeMo 的性能优于现有方法。

    Apr, 2023

  • 基于扩散模型的协同过滤：揭示高阶连接的潜力

    通过提出 CF-Diff 方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff 在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到 7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

    Apr, 2024

  • 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

  • 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

  • DyHGCN: 一种用于学习用户动态喜好的动态异构图卷积网络，用于预测信息扩散

    该研究提出了一种基于动态异质图卷积网络 (DyHGCN) 的信息扩散预测方法，结合社交网络和动态扩散图，编码时间信息以学习用户的动态偏好，并应用多头注意力来捕捉当前扩散路径的上下文依赖性，实验结果表明 DyHGCN 在三个公共数据集上明显优于现有的模型，这显示了该方法的有效性。

    Jun, 2020

  • 面向协同过滤的图感知扩散建模

    使用神经模型通过条件扩散框架来恢复掩盖的反馈，在隐式反馈数据上实现了前向扩散，利用图傅里叶变换在图谱域中等效地表征模型，并在一个数据集上大幅超越最先进的方法，并在其他数据集上获得有竞争力的结果。

    Nov, 2023

  • 面向差分隐私的顺序推荐：一种噪声图神经网络方法

    本文提出了一种新颖的差分隐私序列推荐框架 (DIPSGNN)，通过噪声图神经网络方法实现差分隐私保护，解决了现有差分隐私推荐系统在顺序推荐中的局限性，能够保护依赖性互动并同时捕捉用户偏好，在隐私和准确性之间取得更好的平衡。

    Sep, 2023