Oct, 2020

克服群组推荐中的数据稀疏问题

PDF
TL;DR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。
发现论文，激发创造
  • 基于分层超边嵌入的团体推荐表示学习

    本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

    Mar, 2021

  • 双尺度自监督超图学习用于群组推荐

    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

  • 面向个性化推荐的群体感知兴趣解缠式双训练

    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

  • 群组推荐的多粒度注意力模型

    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

  • 面向临时群体推荐的自监督图学习

    提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

    Dec, 2021

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

    Sep, 2021

  • GroupIM：一种神经组推荐的互信息最大化框架

    该研究提出了一种数据驱动的正则化策略，并设计了一个推荐框架 GroupIM，能够在没有历史交互的临时群组中进行推荐，实验结果表明相对于其他技术，该方法在性能上有显著提高。

    Jun, 2020

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024

  • 通过对社交三元图进行因式化注意力实现基于排名的群组识别

    本研究提出了一种基于图神经网络的 CFAG 框架来解决社交媒体上基于排名的群组识别任务，并采用 tripartite graph convolution 层和 propagation augmentation 层来解决用户、群组和项目之间的信息传递问题，以及处理数据稀疏性问题。实验结果证实了 CFAG 框架的优越性。

    Nov, 2022

  • 基于图神经网络的联邦社交推荐

    本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

    Nov, 2021