基于神经图匹配的协同过滤
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
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
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
通过将深度学习技术应用于推荐系统,本文提出了一种改良的跨属性矩阵因子分解模型,该模型不仅考虑了用户与物品之间的交互,还跨越了相关属性,有效解决了冷启动问题。实验证明,在高数据稀疏性的情况下,该模型在 Movielens 和 Pinterest 数据集上表现优越。
Aug, 2023
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
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
本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架,称为 “NCF”,包括采用多层感知器来学习用户与物品交互功能,实验表明该框架可以显著提高推荐效果。
Aug, 2017
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
本文提出了一种在双分图中利用本地图结构的连接分数来扩展多个标准连通性预测方法的新方法,并与迭代度更新过程相结合,以利用局部图结构的方法。尽管该方法很简单且不涉及节点建模,但我们展示了它在四个广泛使用的基准测试上明显优于现有的基于 GNN 的 CF 方法,在 Amazon-Book 上,我们展示了 Recall 和 NDCG 都有超过 60%的提高,希望我们的工作能引发学术界重新关注协作过滤中的链接预测方面。
Mar, 2022