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
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
提出了一种名为 DGSR 的新方法,它通过连接不同的用户序列来探索用户和项之间的交互行为,从而将顺序推荐中的下一个项目预测任务转化为动态图中用户节点和项目节点之间的链接预测,实验证明该方法优于几种最先进的方法。
Apr, 2021
这篇论文提出了一种名为动态序列图学习(DSGL)的新方法,通过利用用户或物品相关的本地子图的协同信息来增强用户或物品的表示,以预测点击率。DSGL 使用底部向上的方法在动态顺序图中进行图卷积操作,设计了一个考虑时间信息和时间依赖性的时态序列编码层,并提出了一个目标 - 偏好双重注意层,以搜索与目标相关的行为部分并减轻来自不可靠邻居的噪声。实验结果表明,DSGL 方法可以提高 CTR 预测的准确性。
Sep, 2021
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
基于谱变换的方法提出设计 JGCF, 该方法有效地处理稀疏数据集与冷启动用户,并在四个公共数据集上实验表明其在阿里巴巴 - iFashion 等数据集中的性能最高可带来 27.06% 的性能提升
Jun, 2023
本文提出了一种基于图卷积神经网络的社交推荐模型,通过捕捉信息在社交网络中的扩散进程来影响用户偏好,使得模型在两个真实数据集上展现出了很好的性能。
Nov, 2018
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
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。
Jul, 2020
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