Mar, 2022

G3SR: 全球图引导的基于会话的推荐

PDF
TL;DR研究了基于 Session 的推荐算法，并提出一种名为 G3SR 的新方法，在两个真实世界的基准数据集上进行了广泛的实验，表明改进后的方法在冷启动情况下比现有的最先进方法取得了显著的并且一致的改进效果。
session-based recommendationuser profilinghistorical behavioral dataglobal graph guided session-based recommendationcold items
发现论文，激发创造
  • 基于图神经网络的会话推荐

    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

  • SR-GCL: 具有全局上下文增强的对比学习中基于会话的推荐

    该研究提出了一种新的对话式推荐框架 SR-GCL，该框架基于对话图模型，采用对比学习和全局上下文增强数据增强方法来提升推荐性能，并在两个真实的电子商务数据集上进行了广泛的实验，表明相较于其他最先进的方法，SR-GCL 具有卓越的性能。

    Sep, 2022

  • 全局上下文增强的图神经网络用于会话推荐

    本文提出了一种新的方法，称为全局上下文增强图神经网络 (GCE-GNN)，利用全局图和会话图中的项目转换更精细地推断用户偏好，从而改善了会话推荐，此方法在三个基准数据集上都表现出优异的性能。

    Jun, 2021

  • 基于全局属性图神经网络的流式基于会话推荐

    该论文提出了一种基于全局属性图神经网络模型和 Wasserstein 储水池的 SSR 问题解决方案，用于处理流式推荐问题，实验结果表明，与现有最先进的方法相比，该模型表现更加优异。

    Jul, 2020

  • 对话式推荐的对比多级图神经网络

    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

  • 从用户 - 会话 - 项目的分层结构中学习相似度，用于个性化会话推荐

    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

  • 基于图神经网络的跨会话信息利用

    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

  • NISER: 处理流行度偏差的标准化物品和会话表示法

    该研究针对基于会话的推荐模型存在的流行度偏向问题，提出使用规范化嵌入表示方法，结合图神经网络来更好地支持复杂的推荐场景，实验证明效果显著。

    Sep, 2019

  • 通过图神经网络对基于会话的推荐建模复杂依赖关系

    本文提出了一种新的基于评论信息的图神经网络方法 (RI-GNN)，用于改善 SBRs 中的物品之间的依赖关系，从而提高基于会话的推荐性能。实验证明，RI-GNN 优于目前已有的 SOTA 方法。

    Jan, 2022

  • 基于超图注意力网络的会话推荐

    本论文提出了一种新的基于超图注意力网络的会话推荐系统，它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入，并聚合每个会话的动态项目表示，从而推断下一个感兴趣的项目。实验结果表明，与最先进技术相比，所提出的模型能够有效生成信息丰富的动态项目嵌入，并提供更准确的推荐。

    Dec, 2021