基于知识图谱的推荐系统综述
本研究采用知识图谱来优化推荐算法,提供更加个性化的推荐解决方案,并在实验中验证了其显著的性能优势,对于领域(如电影推荐)的个性化推荐具有参考价值。
Jan, 2021
本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向,重点讨论了核心组件 —— 图嵌入模块,以及它们如何解决实际推荐问题,例如规模扩展,冷启动等,并总结了常用的基准数据集、评估指标和开源代码。
Mar, 2020
本研究综述了基于图神经网络的推荐系统在最近的研究工作中的应用。针对不同类型的信息和推荐任务,我们提供了 GNN-based 推荐模型的分类。 进一步分析了 GNN 在不同类型数据上应用时面临的挑战,并讨论了现有工作如何解决这些挑战。我们总结了相关的论文及其开源实现。
Nov, 2020
在金融服务领域,应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章,促进客户关系、客户参与及推动客户做出明智的金融决策,并发掘了结构化数据和非结构化数据的潜在价值。
Jul, 2023
本文综述了基于用户或物品侧面信息的推荐系统研究,并从方法论和侧面信息表示两个角度,概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示,并探讨了应用推荐系统面临的挑战和未来发展方向。
Sep, 2019
本文介绍了一种通过利用知识图谱的外部知识来生成解释的方法,通过 Personalized PageRank 算法对商品和知识图谱实体进行联合排序,生成具有解释的推荐。
Jul, 2017
本篇综述介绍了基于图神经网络的推荐系统的研究进展,主要包括基本背景、发展历程、研究热点、存在问题、相关应用等方面。文章概述了现有的研究成果,并探讨了未来的应用方向和挑战。
Sep, 2021
本文分析了不同活跃度用户的推荐性能,发现不同群体之间存在偏差,特别是不活跃用户会更容易受到不公平的对待。为了减少不公平现象,提出了通过启发式重新排序的公平性约束方法,实验结果表明该方法能提供高质量的可解释推荐,并降低了几个方面的推荐不公平性。
Jun, 2020
本文旨在在推荐系统中将知识图谱引入,特别考虑了不完整的知识图谱,并通过关系传递实现对用户偏好的理解,提高了推荐性能。通过联合训练建议模型和知识图谱完成模型,综合多个迁移模式,表现出卓越的性能
Feb, 2019