Jun, 2021

利用直播电商的三元交互信息，提高产品推荐效果

HTML
PDF
TL;DR本研究通过数据分析及建模，基于多重双向图解析互动信息，提出了一种新型的直播电商图神经网络框架（LSEC-GNN）以及优化商品推荐的多任务学习方法，并在不同规模的实际数据集上，对比了多种基准方法，表明我们的方法效果显著优于其他方法。
发现论文，激发创造
  • 面向阿里巴巴电商推荐的十亿级商品嵌入

    本文提出了一种基于图嵌入框架的技术解决方案来应对淘宝推荐系统面临的规模，稀疏以及冷启动三大挑战，并通过离线实验和线上A/B测试表明，这种方法在淘宝的生产环境中是有效的和可行的。

    Mar, 2018

  • 使用图卷积神经网络聚合异构交互推荐篮球商品 BasConv

    本文提出了一种基于图卷积神经网络的篮子-项目链接预测任务，名为BasConv，通过篮子实体来反映用户的购物篮意图，并采用三种聚合器来学习节点嵌入，以便发现不同类型的交互作用。实验证明 BasConv 模型在两个真实的数据集上均取得了较好的效果。

    Jan, 2020

  • 面向会话型新物品推荐的双意图增强图神经网络

    提出了一种双意图增强图神经网络模型来解决基于会话的推荐系统中新物品推荐难的问题，通过零样本学习方法推理新物品在GNN空间中的表示，并利用双意图网络从历史数据中学习用户意图，最终给出新物品的推荐概率。实验结果表明，该方法优于传统方法。

    May, 2023

  • 挑战图形协同过滤的神话：理性和可重复性分析

    我们的研究聚焦于图神经网络模型的可复制性，通过复现六种热门的图推荐模型在三个常见基准数据集上的结果来解决原有图模型研究中常采用未经验证结果的问题。此外，我们还将这些图模型与传统的协同过滤模型进行比较，并扩展研究至两个缺乏已建立的设置的新数据集，分析特定数据集特征对推荐准确度的影响，通过研究用户邻域信息流动，旨在识别数据集结构中的内在特征对模型的影响。

    Aug, 2023

  • LightSAGE：Shopee 广告推荐中的大规模商品检索的图神经网络

    在Shopee的大规模电子商务商品检索中，我们采用了图神经网络（GNN）及其简单但创新且有影响力的技术，包括图构建、建模和处理数据偏斜，以提高离线评估和在线A/B测试，并将模型部署到Shopee推荐广告系统的主要流量中。

    Oct, 2023

  • 面向电子商务的可解释图模型和语言模型集成提升搜索相关性

    在电子商务领域中，搜索相关性问题具有挑战性，因为它涉及理解用户的简短微妙查询的意图，并将其与目录中的适当产品匹配。为了弥合研究和实际采用这些技术之间的差距，我们提出了Plug and Play Graph LAnguage Model（PP-GLAM），一个可解释的插拔模型集合。通过均匀的数据处理流程和增加的解释度量，我们展示了PP-GLAM在真实多语言、多区域电子商务数据集上优于几种最先进的基准模型及专有模型。为了促进更好的模型可理解性和采用度，我们还提供了模型的解释性和计算复杂性分析，并提供了实际实施的部署策略的公共代码库。

    Mar, 2024

  • GPT4Rec: 图形提示调整的流媒体推荐

    GPT4Rec是一种用于流式推荐的图形提示调整方法，通过将图形模式解开为多个视图，并利用轻量级图形提示来引导模型适应用户-项目图中不同的交互模式，以综合理解图形并有效集成用户-项目交互的所有重要方面。

    Jun, 2024

  • 轻量级端到端电子商务搜索CTR预测的图兴趣网络

    在电子商务搜索中，我们提出了一种名为轻量级端到端图兴趣网络（EGIN）的新方法，通过利用搜索系统中查询和项目的相关性和顺序信息构建异构图，以提高点击率（CTR）的预测。

    Jun, 2024

  • 大规模视频驱动电子商务中的视频检索神经图匹配

    本研究针对视频驱动电子商务中的视频检索任务，提出了一种新的双层图匹配网络（GMN）来解决用户、商品和视频之间的异质性及其互补性的问题。通过图匹配的方式，GMN能够更好地理解用户偏好，从而显著提升用户嵌入的质量，并在实验中显示出优于现有方法的显著提升效果。

    Aug, 2024

  • 通过图同构网络增强跨市场推荐系统：个性化用户体验的新方法

    本研究解决了传统跨市场推荐系统在市场特性和数据稀疏性方面的不足，提出了利用图同构网络的CrossGR模型。实验结果显示，该模型在处理不同市场细分时，表现出更高的适应性和准确性，能够为全球电子商务中的个性化推荐提供强有力的支持。

    Sep, 2024