Oct, 2021

自监督元图 Informax 网络的社交推荐

PDF
TL;DR该研究提出了一种利用社交网络信息进行协同过滤推荐的方法，通过设计元路径引导的异构图神经网络和自监督图协同过滤来建立用户偏好表示，以探索全局协作关系和基于图拓扑的同构变换性质，实现对用户行为四面八方的评估。实验结果表明，在多种实际数据集上，该方法优于其他各种最先进的推荐方法。
collaborative filteringsocial networksmetapath-guided heterogeneous graph neural networkself-supervised graph-based collaborative filteringrecommendation
发现论文，激发创造
  • 双尺度自监督超图学习用于群组推荐

    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。

    Sep, 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

  • 基于知识的耦合图神经网络的社交推荐

    该研究提出了一种知识感知的耦合图神经网络模型，用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题，实验结果表明该方法在多种情境下有效益。

    Oct, 2021

  • S^3-Rec: 自监督学习与互信息最大化在序列推荐中的应用

    提出了一种基于神经网络架构和自监督学习的序列推荐模型 S^3-Rec，通过最大化互信息的原理学习属性、项目、子序列和序列之间的相关性，从而充分利用内在数据关联提高模型表示能力，经实验证明，在数据稀疏的条件下，该方法优于现有最先进的方法，且可以推广到其他推荐模型。

    Aug, 2020

  • 基于图神经网络的联邦社交推荐

    本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

    Nov, 2021

  • 多行为推荐的图元网络

    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

  • 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

  • 隐私保护推荐的联邦异构图神经网络

    该论文提出了一种基于异构图神经网络的联邦框架，用于在分布式的异构信息网络中协同训练推荐模型，保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。

    Oct, 2023

  • InfoGraph：利用互信息最大化进行无监督和半监督图级表示学习

    本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

    Jul, 2019

  • 面向推荐系统中多方面社会影响的深度潜在表示的双图关注网络

    本文提出了一个新的社交推荐模型，使用双重图注意力网络来协同学习两种社交效应的表示，并在上下文中使用基于策略的融合策略来提高推荐精度。

    Mar, 2019