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
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
通过预训练 Graph Neural Networks 模型来解决冷启动问题,采用元聚合器和自适应邻居采样器来增强图卷积的聚合能力和选择有效邻居,实验结果表明在用户 / 项目嵌入推断和推荐任务方面优于原始的 GNN 模型。
Dec, 2020
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
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
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
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
本文提出了一种图神经网络框架(GraphRec)用于社交推荐,该框架可以共同模拟两个图形和异构强度,并对用户 - 项目图形中的交互和观点进行联合捕获。
Feb, 2019
本研究提出了一种基于属性图的新型神经网络框架,通过学习不同形态属性之间的分布,可以为冷启动用户 / 物品生成偏好嵌入,同时提出了 gated-GNN 对不同属性进行有效聚合,实验结果表明,在冷启动推荐中取得了显着的改进,并且在温热启动情况下表现优异。
Dec, 2019
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。