双尺度自监督超图学习用于群组推荐

Sep, 2021

双尺度自监督超图学习用于群组推荐

Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation

Junwei Zhang, Min Gao, Junliang Yu, Lei Guo, Jundong Li...

TL;DR本文提出了一个自我监督超图学习框架，用于解决群体推荐中用户之间的复杂关联模型问题。实验分析表明，该模型在多个基准数据集上的表现优于现有方法，并阐明了超图建模和双尺度自我监督的合理性。

Abstract

With the prevalence of social media, there has recently been a proliferation of recommenders that shift their focus from individual modeling to group recommendation. Since the group preference is a mixture of various predilections from group members, the fundamental challenge of group recommendation is to model the correlations among members. Existing method

group recommendation hypergraph learning intra-group interactions inter-group interactions data sparsity

发现论文，激发创造

面向临时群体推荐的自监督图学习

提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

Dec, 2021

自监督的多通道超图卷积网络用于社交推荐

本文提出了多通道超图卷积网络模型，通过利用高阶用户关系来提高社交推荐系统的推荐质量，结合自我监督学习的方法以弥补聚合信息的损失。在多个真实数据集上的实验结果表明，该模型优于现有的其他方法。

Jan, 2021

基于分层超边嵌入的团体推荐表示学习

本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

Mar, 2021

克服群组推荐中的数据稀疏问题

本文提出了一种名为 CAGR（Centrality Aware Group Recommender）的新型端到端组推荐系统，该系统采用双向图嵌入模型（BGEM）、自我注意机制和图卷积网络（GCN）作为基本构建块，从数据中学习群组和用户的表示方法，以克服组决策制定的真实和复杂过程，特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明 CAGR 的优越性。

Oct, 2020

自监督图学习用于推荐

本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。

Oct, 2020

面向会话推荐的自监督超图卷积网络

本文提出了一种基于超图的卷积网络模型 DHCN，通过建模会话数据为超图并将自监督学习整合到网络的训练中，从而提高了会话推荐任务的准确性。在三个基准数据集上进行广泛实验，证明了该模型在普遍情况下胜过基线模型。

Dec, 2020

自监督超图变换器用于推荐系统

本文提出了一种名为 SHT 的新型自监督超图变换器框架，以增强协同过滤模型在处理存在数据稀疏和噪声的推荐场景时的鲁棒性，并在各种最先进的基准模型上显著提高性能，证明了其出色的表示能力。

Jul, 2022

基于自监督图形联合训练的基于会话推荐

本文提出了一种基于自我监督图协同训练的框架，结合自我监督学习和共同训练对会话数据进行增强，其在 session-based 推荐模型中的应用表现领先于现有的基于 item/segment dropout 的方法，大大提高了推荐的推荐质量。

Aug, 2021

超几何超图用于序列推荐

使用超图及超伽玛函数嵌入学习结合预训练技术，提出在序列推荐中，基于多尺度的嵌入学习和超图卷积神经网络的超球形超图表示学习方法（H2SeqRec），有效提升了稀疏超图的动态项目嵌入学习效果及推荐性能。

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