Oct, 2020

多意图翻译图神经网络下的购物篮推荐

PDF
TL;DR本文提出了一种名为 MITGNN 的新框架，旨在处理篮子推荐中存在的多种意图的问题，并使用多头聚合器学习关系向量和邻居聚合，从而加强用户和物品的嵌入学习。
basket recommendationmultiple intentsmitgnnrelation vectorsembedding learning
发现论文，激发创造
  • 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

  • 超图增强的知识树提示学习用于下一篮子推荐

    我们提出了一种新方法 HEKP4NBR，将知识图谱转化为提示语，即知识树提示，以帮助预训练语言模型编码用户篮子序列中的超出词汇表范围的项目 ID，并通过超图卷积模块建立基于多个方面的项目相似度的超图并对多个项目之间的关系进行卷积，对两个基于真实公司数据集的 HEKP4NBR 进行了大量实验证明其在多个先进方法上的有效性。

    Dec, 2023

  • 面向会话型新物品推荐的双意图增强图神经网络

    提出了一种双意图增强图神经网络模型来解决基于会话的推荐系统中新物品推荐难的问题，通过零样本学习方法推理新物品在 GNN 空间中的表示，并利用双意图网络从历史数据中学习用户意图，最终给出新物品的推荐概率。实验结果表明，该方法优于传统方法。

    May, 2023

  • 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

  • 基于知识图谱交互学习推荐意图

    该研究提出了一种名为 “KGIN” 的知识图谱意图网络模型，应用了关注机制的思想，能够更准确地表达用户与物品之间的相关性，实现了基于图神经网络的推荐系统并取得了显著的性能提升。

    Feb, 2021

  • 多视角意图解缠图网络用于束推荐

    提出了一种名为 Multi-view Intent Disentangle Graph Networks（MIDGN）的新模型，可以更精确、全面地捕捉用户意图的多样性和物品的联系，并通过对比学习框架，改善了从不同视角解开的用户意图。实验表明，MIDGN 优于现有的最先进方法。

    Feb, 2022

  • 一种用于多意图口语理解的 BiRGAT 模型与分层语义框架

    本研究主要关注多意图的口语理解，提出了一个多意图数据集，使用 BiRGAT 模型编码本体项的层级结构，并配合三路指针生成器解码器，在实验中取得了显著优于传统序列标签和基于分类的方案的结果。

    Feb, 2024

  • 基于图卷积网络的捆绑推荐

    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

    May, 2020

  • 对话式推荐的对比多级图神经网络

    本文提出了一种新颖的对比多层图神经网络方法（CM-GNN）来更好地利用复杂和高阶的物品转换信息，并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明，所提出的方法优于现有的会话推荐技术。

    Nov, 2023

  • 多行为推荐的图元网络

    通过引入多行为的模式建模到元学习范式中的多行为推荐框架，可以提高推荐性能。

    Oct, 2021