WWWMar, 2021

面向社交推荐的双侧深度上下文调制

PDF
TL;DR该研究提出了一个名为 DICER 的社交推荐模型，使用图神经网络来建模用户的社交关系和协作关系，在此基础上提出双侧深度上下文感知调节来捕捉朋友的信息和物品吸引力，研究结果表明该模型的有效性并进一步探究了双重上下文感知调节的工作原理。
social recommendationonline social networking platformsitem attractioncontext-aware aggregationgraph neural network
发现论文，激发创造
  • 面向推荐系统中多方面社会影响的深度潜在表示的双图关注网络

    本文提出了一个新的社交推荐模型，使用双重图注意力网络来协同学习两种社交效应的表示，并在上下文中使用基于策略的融合策略来提高推荐精度。

    Mar, 2019

  • 深度社交协同过滤

    本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

    Jul, 2019

  • 基于动态图注意力网络的基于会话的社交推荐

    该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

    Feb, 2019

  • 深度时间上下文网络顺序预测社交媒体流行度

    研究了社交网络中内容传播的可预测性，提出了一种新的预测框架 Deep Temporal Context Networks (DTCN)，并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。

    Dec, 2017

  • 研究：具有社交意识的时间轻松解码推荐系统

    提出了 Socially-aware Temporally caUsal Decoder recommender sYstems (STUDY) 算法，该算法通过单个转换器解码器网络的前向传递实现对社交网络图中相邻用户组的联合推断，以优化学校教育内容场景下的推荐表现。

    Jun, 2023

  • 深度对抗社交推荐

    本文提出了一种基于逆向映射的深度对抗社交推荐框架 DASO，它可以有效地学习用户在社交领域和物品领域的异构表示，并在两个真实世界数据集上进行了全面的实验，证明了其有效性。

    May, 2019

  • 社交网络推荐预测的多方面分解模型群集

    本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性，该方法将用户之间的社交关系、标签、档案等特征整合在一起，并采用隐性反馈，同时还利用用户行为模型来进行联合预测，并在 KDD-Cup 竞赛中获得了第二名的好成绩。

    May, 2021

  • 多视角交互式协同过滤

    本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。

    May, 2023

  • 使用对抗图卷积网络提升社交推荐

    本文提出了一种基于图卷积网络和对抗训练的深度框架，以解决社交推荐系统中的一些问题，如噪声、局限性和异质性等，实验证明该框架在多个开放数据集上具有卓越的推荐性能。

    Apr, 2020

  • 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