KDDJul, 2020

异构图上基于邻域的高效交互模型推荐

PDF
TL;DR本论文提出了一种名为 NIRec 的邻域交互模型，旨在提高基于异构信息网络的推荐性能，通过探索节点互动模式并采用卷积方式进行有效的学习，本模型较现有方法表现更佳。
heterogeneous information networkrecommender systemspath-based semantic relatednessnode interactionsconvolutional interaction model
发现论文，激发创造
  • 一个基于邻域交互模型的端到端知识增强推荐系统

    本文研究了基于图的推荐系统，提出了一种邻域交互模型（NI）来处理数据稀疏性和冷启动问题，通过使用知识图谱和图神经网络（GNN），提出了知识增强的邻域交互（KNI）模型，实现了优越的性能表现。

    Aug, 2019

  • 面向推荐的异构信息网络嵌入

    本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过实验表明其有效性，并表明从 HINs 转换的嵌入信息可以改善推荐性能。

    Nov, 2017

  • 隐私保护推荐的联邦异构图神经网络

    该论文提出了一种基于异构图神经网络的联邦框架，用于在分布式的异构信息网络中协同训练推荐模型，保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。

    Oct, 2023

  • 原型增强的超图学习用于异构信息网络

    本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

    Sep, 2023

  • PReP: 基于路径和概率视角的异构信息网络相关性

    该研究提出了一种从概率角度研究异构信息网络相关性的模型，建立了一种新的基于路径的相关性度量模型，开发了推理算法进行模型参数的估计，最终实验证明了该模型和相关度量的有效性。

    Jun, 2017

  • 通过异质信息网络的综合转录，简化嵌入式学习

    通过 HEER 算法对边表现和异构度量的妥善学习，解决了综合转录异构信息网络的挑战，并在真实数据集上展示了模型的有效性和边表现和异构度量的实用性。

    Jul, 2018

  • 大规模异构信息网络中基于元路径导向嵌入的相似度搜索

    本文提出了一个基于嵌入的框架 (ESim)，以探索嵌入在网络结构中的相似度，并接受用户定义的元路径作为指导来学习嵌入向量。在大规模异构信息网络上进行的实验证明了 ESim 的有效性和可扩展性。

    Oct, 2016

  • DeHIN：一个去中心化框架，用于嵌入大规模异构信息网络

    本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。

    Jan, 2022

  • 基于注意力机制的异构结构学习图神经网络

    本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。

    Dec, 2019

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022