Aug, 2021

具有时间图协同变换器的连续时间序列推荐

PDF
TL;DR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。
sequential recommendationtemporal collaborative signalstct layertemporal graph sequential recommenderrecommendation quality
发现论文，激发创造
  • 时间图变换器的多行为序列推荐

    本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。

    Jun, 2022

  • 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

  • 利用图形对比学习增强序列推荐

    该文提出了一种新的推荐框架，名为序列推荐的图对比学习（GCL4SR），它使用一种称为加权项目转换图 （WITG）的模型，建立在所有用户的交互序列上，通过使用 WITG 子图来增强每个交互序列的表示和最大化同一交互序列引导的增强表示之间的一致性，最小化 WITG 全局上下文引导的增强表示和原始序列本地表示之间的差异，并在真实世界数据集上展示显着优于现有方法的性能。

    May, 2022

  • 动态图神经网络用于序列推荐

    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。

    Apr, 2021

  • 基于双边邻居协同关系建模的顺序推荐

    提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

    Nov, 2019

  • 基于对比学习和自注意力机制的时间接近度上的顺序推荐

    通过对用户行为的纵向和横向时间关系进行建模，我们提出了一个名为 TemProxRec 的顺序推荐模型，该模型通过对比学习和自注意方法来准确预测特定时间段内的相关项目。

    Feb, 2024

  • 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

  • 一种职位推荐系统的时间学习和序列建模

    本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

    Aug, 2016

  • 精确推荐的端到端图序列表示学习

    该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

    Mar, 2024

  • 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