GroupIM:一种神经组推荐的互信息最大化框架
个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法,通过在在线社交平台上用户的群组参与行为中获取兴趣信息,有效地缓解数据稀疏和冷启动问题,从而增强推荐系统的性能。
Nov, 2023
本文提出了一种名为 CAGR(Centrality Aware Group Recommender)的新型端到端组推荐系统,该系统采用双向图嵌入模型(BGEM)、自我注意机制和图卷积网络(GCN)作为基本构建块,从数据中学习群组和用户的表示方法,以克服组决策制定的真实和复杂过程,特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明 CAGR 的优越性。
Oct, 2020
该研究提出了一个名为 DeepIM 的新框架,旨在解决学习为基础的影响最大化(IM)方法所面临的困难,该方法可以数据驱动地、端到端地学习多样化的信息传播模式,并设计了一个新的目标函数来推断出在灵活的基于节点中心性的预算约束下的最优种子集。
May, 2023
该研究提出了一种利用社交网络信息进行协同过滤推荐的方法,通过设计元路径引导的异构图神经网络和自监督图协同过滤来建立用户偏好表示,以探索全局协作关系和基于图拓扑的同构变换性质,实现对用户行为四面八方的评估。实验结果表明,在多种实际数据集上,该方法优于其他各种最先进的推荐方法。
Oct, 2021
本文提出了一个自我监督超图学习框架,用于解决群体推荐中用户之间的复杂关联模型问题。实验分析表明,该模型在多个基准数据集上的表现优于现有方法,并阐明了超图建模和双尺度自我监督的合理性。
Sep, 2021
本研究提出了一个概率生成模型 —— 统一模型,该模型自然地将社会影响、协同过滤和基于内容的方法统一起来,用于物品推荐。我们通过期望最大化算法(EM)来设定模型参数,实验结果显示带有社会影响的生成模型显著优于不带社会影响的模型,并且统一模型表现最佳。此外,我们发现 Whrrl.com 上的用户更可能受到朋友的影响,并且我们基于社会影响的群组推荐算法也优于最先进的算法。
Sep, 2011
提出了一种基于神经网络架构和自监督学习的序列推荐模型 S^3-Rec,通过最大化互信息的原理学习属性、项目、子序列和序列之间的相关性,从而充分利用内在数据关联提高模型表示能力,经实验证明,在数据稀疏的条件下,该方法优于现有最先进的方法,且可以推广到其他推荐模型。
Aug, 2020
利用 Multi-Granularity Attention Model (MGAM) 提出了一种新的方法,通过多个粒度(子集、群组和超集)揭示群组成员的潜在偏好并减轻推荐噪音,有效地降低群组推荐中的噪音,全面学习个人兴趣。
Aug, 2023