通过引入多行为的模式建模到元学习范式中的多行为推荐框架,可以提高推荐性能。
Oct, 2021
该研究提出了一种新的模型 CML,即对比元学习,用于处理具有不同类型行为的多行为数据中用户和物品之间的关系,通过对比损失获取可传输知识,以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能,并释放出模型实现。
Feb, 2022
该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架,它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系,以更好地捕捉用户多行为数据的异构协作信号。
Jan, 2022
该研究介绍了一种在推荐系统中处理多种行为交互的层次多行为图注意力网络 (HMGN),该网络通过注意机制从不同行为中获取信息,并采用多任务的层次贝叶斯个性化排序进行优化,结果显示性能提升了 64%。
Sep, 2023
设计了一种多行为超图增强 Transformer 框架(MBHT),用于捕获基于多个交互类型的短期和长期行为依赖关系,该框架通过低秩自注意力和超图神经网络结构实现。
Jul, 2022
在这项工作中,我们提出了一种新的方法来学习元路径和元路径图神经网络,通过少量信息丰富的元路径来提高准确性,在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明,该方法即使在存在大量关系的情况下,也能正确识别相关的元路径,并在综合和真实世界实验中显著优于现有的多关系图神经网络。
本文提出了一种名为 Deep Multi-Graph Embedding (DMGE) 的新颖模型,它使用图神经网络和多源数据学习,以适应大规模项目内嵌物的数据稀疏性问题和领域间信息迁移问题。实验结果表明,DMGE 比其他现有的嵌入方法在各种任务中表现更好。
May, 2019
提出了一种新的多尺度元路径集成的异构图对比学习模型(M2HGCL),该模型通过扩展元路径并联合聚合直接邻居信息、初始元路径邻居信息和扩展元路径邻居信息,以充分捕捉判别信息,并进一步采用特定的正采样策略来纠正对比学习的内在缺陷,即困难负样本采样问题。通过在三个真实数据集上进行广泛实验,证明了 M2HGCL 模型优于目前最先进的基准模型。
应用深度学习模型和对比学习方法分析用户购买行为路径,能够有效提高电商 app 中 CTR 模型的性能。
Feb, 2023
介绍了一种新的推荐框架,Dual-Channel Multiplex Graph Neural Network (DCMGNN),以解决现有推荐方法在建模行为模式和处理多重关系时的不足,实验证明该模型在真实数据集上的性能优于最先进的推荐方法。
Mar, 2024