SIGIRJul, 2020

解缠绕的图协同过滤

PDF
TL;DR该研究提出了一种基于图模型的新方法 ——Disentangled Graph Collaborative Filtering（DGCF），用于在用户意图的更细粒度的层次上进行用户 - 物品关系建模和表示学习，以解决现有协同过滤方法中用户兴趣多样性建模的问题，并实现优于几种最先进的模型的结果。
collaborative filteringuser-item relationshipintent disentanglementgraph modelrepresentation learning
发现论文，激发创造
  • 解耦对比协同过滤

    本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

    May, 2023

  • 神经图协同过滤

    本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

    May, 2019

  • Preference or Intent? 双重解耦协同过滤

    本文提出了一种名为 DDCF 的双重分离协作过滤方法，通过分离意图和偏好的影响因素，构建独立的偏好表示，以提高个性化推荐性能的鲁棒性和可解释性。实验表明，DDCF 显著提高了性能和解释能力。

    May, 2023

  • 动态图协同过滤

    该论文提出一种名为 DGCF 的动态图协同过滤框架，利用动态图来同时捕捉项目和用户的协作和顺序关系，以解决传统的序列模型无法准确捕捉协作信息的问题，并在实验中表现出优越的性能。

    Jan, 2021

  • 多图卷积协同过滤

    本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

    Jan, 2020

  • 超图对比协作过滤

    提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

    Apr, 2022

  • IntentGC：一个可扩展的图卷积框架，融合异构信息用于推荐

    本文提出了一种名为 IntentGC 的新型框架，利用图卷积网络来利用用户行为和物品信息之间的明确偏好和异构关系，同时学习模型中不同关系的重要性，将其应用于网络规模应用，设计了一个更快的图卷积模型 IntentNet。实验证明 IntentGC 优越于现有算法。

    Jul, 2019

  • 社交推荐的解耦对比学习

    本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

    Aug, 2022

  • 图协同信号去噪与增强用于推荐

    本文提出了一种新的图矩阵和用户 - 项目交互矩阵的设计方法，将用户 - 用户、项目 - 项目相关性以及用户 - 项目交互数量平衡考虑在内，提高了高阶协同信号的捕获质量，推荐效果显著提升。

    Apr, 2023

  • 多组分图卷积协同过滤

    研究了协同过滤方法中用户和商品之间的图模型，提出了一种新的多组件图卷积协同过滤算法 (MCCF)，旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块，设计了一种新的方式以获得对用户消费行为的高精度预测，实验结果表明，该算法不仅在三个真实数据集上表现优异，而且还证明了考虑多个组件的必要性。

    Nov, 2019