RetaGNN：面向全局的序列推荐关系时间注意力图神经网络

WWWJan, 2021

RetaGNN：面向全局的序列推荐关系时间注意力图神经网络

RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation

Cheng Hsu, Cheng-Te Li

TL;DR本文提出了基于关系注意力图神经网络（RetaGNN）的综合顺序推荐模型，该模型具有归纳、可传递的特点，并针对不同关系间进行训练，在长短期间使用顺序自注意机制对用户偏好进行编码，同时使用关系感知正则化项来更好地训练。在 MovieLens，Instagram，和 Book-Crossing 数据集上的实验表明 RetaGNN 在传统、归纳和可传递的设置下都能超过现有方法，其产生的注意力权重还带来了模型可解释性。

Abstract

sequential recommendation (SR) is to accurately recommend a list of items for a user based on her current accessed ones. While new-coming users continuously arrive in the real world, one crucial task is to have inductive SR that can produce embeddings of users and items without re-trai

sequential recommendation inductive learning transfer learning deep learning graph neural networks

发现论文，激发创造

利用分层图神经网络增强全局上下文的社交推荐

本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

Oct, 2021

自我学习图神经网络用于顺序推荐

我们提出了一种名为自我监督图神经网络（SelfGNN）的新型框架，用于顺序推荐。该框架通过时间间隔对短期图进行编码，并利用图神经网络（GNN）学习短期协作关系。它通过间隔融合和动态行为建模，在多个粒度级别捕捉长期用户和物品表示。我们的个性化自增强学习结构通过根据长期用户兴趣和个人稳定性减轻短期图中的噪声，增强了模型的鲁棒性。广泛的实验证明，SelfGNN 优于各种最先进的基线模型。

May, 2024

具有时间图协同变换器的连续时间序列推荐

提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

Aug, 2021

社交推荐的图神经网络

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019

基于强化邻域选择的多关系图神经网络

该论文提出了一种新的 Graph Neural Network 体系架构（RioGNN），通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘，并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明，该方法比其他比较方法更有效，更高效，并具有更好的模型解释性。

Apr, 2021

基于 Poincaré 异质图神经网络的序列推荐

本文提出了一种名为 PHGR 的 Poincaré 异构图神经网络，用于同时建模顺序模式信息和 SR 场景数据中包含的层次信息。 PHGR 通过定义新的双曲内积运算符，直接在 Poincaré 球中进行全局和局部图表示学习，而不是在 Poincaré 球和欧几里得空间之间的常用投影操作，从而缓解了普通双向平移过程的累积误差问题。实证评估表明，PHGR 优于几种比较方法。

May, 2022

序列推荐的记忆增强图神经网络

提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

Dec, 2019

利用检索增强的图神经网络进行图属性预测

本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型，利用自注意力的适配器从被检索图中获取有益信息并消除噪声，实现了对现有 GNN 模型效果的显著提升。

Jun, 2022

TempGNN：用于动态会话推荐的时间图神经网络

用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐的研究已日益受到关注。我们提出了临时图神经网络（TempGNN），这是一个用于捕捉复杂项目转换中的结构和时间动态的通用框架，利用节点和边上的时间嵌入操作符对动态会话图进行表示。广泛的实验结果表明，通过将其插入现有的最先进模型，该方法的有效性和适应性。最后，TempGNN 在两个真实的电子商务数据集上取得了最先进的性能。

Oct, 2023

基于图神经网络的会话推荐

该论文提出了一种名为 SR-GNN 的新型方法，基于图神经网络来对会话进行建模，并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合，从而提高了会话推荐的准确率。

Nov, 2018