Mar, 2020

建模高阶社交关系以实现物品推荐

PDF
TL;DR本文探讨如何通过建立高阶社交关系来影响用户选择，提高物品推荐的性能，所提出的 “高阶社交推荐器”(HOSR) 模型通过直接因素化社交关系，将间接影响融入预测模型，通过在社交网络中递归地 “传播” 嵌入，有效地注入了高阶邻居的影响，实证结果表明，HOSR 明显优于基于图形正则化的推荐系统 NSCR 和 IF-BPR + 以及基于图形卷积网络的社交影响预测模型 DeepInf，实现了这一任务的最新技术成果。
online social networkuser choicehigh-order social relationsitem recommendationuser embeddings
发现论文，激发创造
  • 自监督的多通道超图卷积网络用于社交推荐

    本文提出了多通道超图卷积网络模型，通过利用高阶用户关系来提高社交推荐系统的推荐质量，结合自我监督学习的方法以弥补聚合信息的损失。在多个真实数据集上的实验结果表明，该模型优于现有的其他方法。

    Jan, 2021

  • 单纯闭包与高阶链接预测

    使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别。

    Feb, 2018

  • 为推荐系统检测任意顺序的有益特征交互

    该文提出了一种名为 HIRS 的基于超图神经网络的模型，通过采用深度信息最大化方法直接生成任意阶的受益特征交互并做出推荐预测，该算法在推荐准确性方面胜过现有算法高达 5%。

    Jun, 2022

  • 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

  • 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

  • 基于翻译的推荐系统

    本文提出了一种名为 TransRec 的方法，它可以将用户和项目之间以及项目之间的复杂交互建模，用于预测用户的个性化顺序行为，通过将项目嵌入到 “转换空间” 中，并使用用户来操作项目序列的翻译向量，以便捕捉第三阶交互关系。在广泛的真实世界数据集中，该方法表现优于现有方法。

    Jul, 2017

  • 综合评分、社交关系和评论的综合推荐方法

    本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

    Jan, 2016

  • 基于社交矩阵分解的协同主题回归推荐系统

    本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法，并结合主题建模和概率矩阵分解，从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性，并展现了该算法在推荐系统方面优于现有方法的实验结果，揭示了社交圈在信息的决策过程中比个人品味更具影响力，以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。

    Jun, 2012

  • 用疾病轨迹图表示基于结果驱动的高阶依赖关系

    通过将机器学习技术应用于生物医学数据，我们提出了一种方法，能够在图中准确编码给定结果的风险因素组合，并且相较于其他方法，这种网络编码了关于 2 型糖尿病向多种结果的进展更多的信息。

    Dec, 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