动态图神经网络用于序列推荐

Apr, 2021

Dynamic Graph Neural Networks for Sequential Recommendation

Mengqi Zhang, Shu Wu, Xueli Yu, Qiang Liu, Liang Wang

TL;DR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。

Abstract

Modeling user preference from his historical sequences is one of the core problems of sequential recommendation. Existing methods in this field are widely distributed from conventional methods to deep learning methods. However, most of them only model users' interests within their own

sequential recommendation user preference modeling dynamic graph neural network collaborative signals next-item prediction

发现论文，激发创造

动态顺序图学习用于点击率预测

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

基于图神经网络的顺序推荐

本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks)，通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图，并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作，从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明，相比最先进的方法，该方法在公共和专有数据集上都达到了显著的性能提升，并且在序列长度方面也表现出了高效和有效的建模能力。

Jun, 2021

动态图协同过滤

该论文提出一种名为 DGCF 的动态图协同过滤框架，利用动态图来同时捕捉项目和用户的协作和顺序关系，以解决传统的序列模型无法准确捕捉协作信息的问题，并在实验中表现出优越的性能。

Jan, 2021

神经网络下的动态图表征学习：综述

本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

Apr, 2023

流式图神经网络

本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

Oct, 2018

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

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

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

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

面向差分隐私的顺序推荐：一种噪声图神经网络方法

本文提出了一种新颖的差分隐私序列推荐框架 (DIPSGNN)，通过噪声图神经网络方法实现差分隐私保护，解决了现有差分隐私推荐系统在顺序推荐中的局限性，能够保护依赖性互动并同时捕捉用户偏好，在隐私和准确性之间取得更好的平衡。

Sep, 2023