基于图卷积网络的捆绑推荐

SIGIRMay, 2020

Bundle Recommendation with Graph Convolutional Networks

Jianxin Chang, Chen Gao, Xiangnan He, Yong Li, Depeng Jin

TL;DR本研究提出了一种名为 BGCN 的图神经网络模型，可以使用异构图同时建模用户 - 项目交互，用户 - 套餐交互和套餐 - 项目关联，通过固定负样本采样进行训练，能够更好地区分用户对相似套餐的喜好，并且在两个真实世界数据集上展现了强大性能的提升

Abstract

bundle recommendation aims to recommend a bundle of items for a user to consume as a whole. Existing solutions integrate user-item interaction modeling into bundle recommendation by sharing model parameters or le

bundle recommendation graph neural network heterogeneous graph graph convolutional propagation hard-negative sampler

发现论文，激发创造

基于超图增强的双卷积网络的绑定推荐

本文提出了一种称为超图增强的双卷积神经网络模型（HED）的捆绑推荐方法，通过构建一个完整的超图来捕捉用户、物品和捆绑之间的交互动态，并整合 U-B 交互信息以增强用户和捆绑嵌入向量的信息表示，实验证明 HED 在 Youshu 和 Netease 数据集上优于当前最先进的技术，证明了其有效性。

Dec, 2023

个性化捆绑列表推荐

该研究提出了一种名为 BGN 的捆绑列表生成网络，使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分，并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法，特别是在捆绑列表推荐问题中，将最佳竞争对手的精度平均提高了 16％，同时保持了四个数据集中最高的多样性，并使响应时间提高了 3.85 倍。

Apr, 2019

电子商务套餐推荐中的高斯图与典型对比学习

本文提出了一种利用高斯图与原型对比学习（GPCL）框架来解决捆绑推荐中的不确定性和采样偏倚问题的方法，并在公共数据集上取得了最新的最佳性能。

Jul, 2023

IA-GCN: 交互图卷积网络用于推荐

本文提出 InterActive GCN，针对已有的基于 GCN 的协同过滤推荐系统采用相同的聚合方式从用户邻域中学习用户的表示，从而忽略了用户 - 项目对之间的交互特征。新模型在用户 - 项目对之间构建双边交互指导，提供了交互和可解释的特征，并且通过每个图卷积操作有效地提取了目标特定信息，能够与各种基于 GCN 的 CF 体系结构端到端地组合使用。实验表明，本文提出的 IA-GCN 具有较好的效果和鲁棒性。

Apr, 2022

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

使用图卷积神经网络聚合异构交互推荐篮球商品 BasConv

本文提出了一种基于图卷积神经网络的篮子 - 项目链接预测任务，名为 BasConv，通过篮子实体来反映用户的购物篮意图，并采用三种聚合器来学习节点嵌入，以便发现不同类型的交互作用。实验证明 BasConv 模型在两个真实的数据集上均取得了较好的效果。

Jan, 2020

知识图谱卷积网络用于推荐系统

本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

Mar, 2019

LightGCN：简化和强化图卷积网络用于推荐

研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。

Feb, 2020

面向推荐系统的偏好和并发感知贝叶斯图神经网络

我们提出了一个高效的生成模型，同时考虑用户偏好、物品的共现以及一些重要的图结构信息，以解决推荐系统中的问题。通过在四个常用基准数据集上进行实验证明了我们提出的图生成方法在推荐系统中的有效性。

Nov, 2023

面向推荐的兴趣感知消息传递 GCN

该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型，通过在用户兴趣相似的子图中进行高阶图卷积操作，避免了过度平滑问题，其在三个基准数据集上的实验结果表明，该模型可以通过叠加更多的层次获得性能提升，并且在 GCN-based 推荐模型上显著优于现有的最佳模型。

Feb, 2021