基于超图注意力网络的会话推荐
本文提出了一种利用多样化的注意力网络分析会话间关系,考虑用户信息生成会话表示和用户表示,从而实现改进推荐系统的效果的模型,并在多个真实数据集上取得了优异的性能。
May, 2022
本文提出了一种新的基于会话图的推荐模型,该模型通过构建会话图,并协同考虑序列顺序和会话图的潜在顺序,将下一个项目推荐问题建立为图分类问题,并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集,Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。
Nov, 2019
该论文提出了一种名为 SR-GNN 的新型方法,基于图神经网络来对会话进行建模,并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合,从而提高了会话推荐的准确率。
Nov, 2018
本文提出了一种基于图神经网络 (Full Graph Neural Network, FGNN) 以及广联跨时加工 (Broadly Connected Session, BCS) 的新型会话 (session) 推荐算法,旨在更好地捕捉复杂的物品依赖关系和跨时信息。在 Yoochoose 和 Diginetica 等两个电子商务基准数据集上广泛测试,实验结果表明,与现有会话推荐模型相比,该算法具有优异的性能。
Jul, 2021
本研究提出了一种名为个性化图神经网络和注意力机制的新方法,以解决现有基于过去历史数据进行推荐的方法无法有效捕捉项目转移关系和历史会话对当前会话影响的问题,并通过实验验证说明该方法优于现有的方法。
Oct, 2019
本文提出了一种基于 Graph Neural Network 的个性化 Session-Based Recommendation 模型,该模型通过建立 UserGraph 并运用对比损失函数和用户嵌入相似性来实现多用户之间信息交互以及提高推荐的准确性。
Jun, 2023
本文介绍了一种基于 Heterogeneous Global Graph Neural Networks 的物品跃迁模型,该模型利用用户历史和当前会话的信息推断用户偏好,从而提供个性化的推荐服务。
Jul, 2021
本研究提出了一种新颖的目标关注图神经网络(TAGNN)模型,以用于会话推荐。TAGNN 通过考虑用户的不同兴趣点并学习每个目标项的相关性来提高表达能力。此外,TAGNN 利用图神经网络的能力来捕获会话中的丰富过渡,通过真实世界数据集的广泛实验,证明其优于现有方法。
May, 2020
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
本文提出了一种新颖的对比多层图神经网络方法(CM-GNN)来更好地利用复杂和高阶的物品转换信息,并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明,所提出的方法优于现有的会话推荐技术。
Nov, 2023