基于交叉交互式协作关系建模的多行为增强推荐

Jan, 2022

基于交叉交互式协作关系建模的多行为增强推荐

Multi-Behavior Enhanced Recommendation with Cross-Interaction Collaborative Relation Modeling

Lianghao Xia, Chao Huang, Yong Xu, Peng Dai, Mengyin Lu...

TL;DR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。

Abstract

Many previous studies aim to augment collaborative filtering with deep neural network techniques, so as to achieve better recommendation performance. However, most existing deep learning-based recommender systems

collaborative filtering deep neural networks recommender systems graph neural networks multi-behavioral patterns

发现论文，激发创造

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

多级串联行为的推荐学习

本文介绍了一种名为 NMTR 的新型解决方案，其可以从多种类型的用户行为数据中学习推荐系统，并且在真实数据集上的实验表明，它明显优于其他现有的推荐系统，特别适用于缺乏数据交互的稀疏用户。

Sep, 2018

推荐的双通道复用图神经网络

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

多行为推荐的超级元路径对比学习

本篇论文提出了在推荐系统中使用超级元路径和图形对比学习的框架来解决多行为信息下的用户购买预测问题，并在广泛的比较实验中，显著优于所有基线方法。

Sep, 2021

基于印象信息的多行为推荐系统：一种层次图注意力方法

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

利用分层图神经网络增强全局上下文的社交推荐

本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

Oct, 2021

用于序列推荐的多行为超图增强变压器

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

多行为推荐的知识增强层次图变压器网络

本文提出了一种知识增强的分层图转换网络，以调查推荐系统中用户和物品之间的多类型互动模式，包括复杂的用户行为特征，知识感知的物品关系以及多类型用户物品交互的动态特性，实验表明该方法在多种情况下优于现有的推荐方法。

Oct, 2021

社交推荐的图神经网络

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

多关系推荐系统的记忆网络协同度量学习

提出了一个多关系记忆网络（MRMN）模型，用于建模用户与物品的多类型交互以及潜在关联性学习，可以更精确地捕获用户的偏好，从而优于当前大多数推荐系统。

Jun, 2019