推荐中的多视角多行为对比学习
该研究提出了一种新的模型 CML,即对比元学习,用于处理具有不同类型行为的多行为数据中用户和物品之间的关系,通过对比损失获取可传输知识,以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能,并释放出模型实现。
Feb, 2022
多行为推荐通过基于用户的多样行为(如浏览、加入购物车和购买)提供更准确的选择来优化用户体验。本研究提出一种新颖模型:基于知识感知的多意图对比学习模型(KAMCL),利用知识图谱中的关系构建意图,从意图角度挖掘用户多行为之间的关联,并通过对比学习方案缓解数据稀缺问题,进一步增强用户表示。对三个真实数据集进行广泛实验证明了我们模型的优越性。
Apr, 2024
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。
Jan, 2022
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
本文介绍了一种基于粗细粒度知识增强的多兴趣学习框架,用于在多行为推荐中学习共享和特定的行为兴趣,通过使用两个先进的模块收集和分配相应的行为兴趣,并运用自我关注机制在兴趣层次上将不同的行为信息相互关联。实证结果表明了我们的模型在利用多行为数据方面的效果和效率,以及共享和特定建模范式的鲁棒性和优越性。
Aug, 2022
本研究提出一种多行为自监督学习(MBSSL)框架,包括一种自我注意力机制和行为感知图神经网络,该框架可用于应对稀疏目标信号和嘈杂的辅助交互。此外,通过梯度的混合操作,开发了一种自适应优化策略,并在五个真实世界的数据集上对该方法进行了广泛的实验.
May, 2023
本文研究了 Multi-Behavior Sequential Recommendation 问题,提出了一种名为 Personalized Behavior-Aware Transformer (PBAT) 的框架,该框架通过建模个性化模式和多方面的序列协作来提高推荐性能。
Feb, 2024
基于多层感知器 (MLP) 的异构顺序推荐方法 (BMLP) 通过建模多种行为类型和转换关系的异构兴趣知觉模块 (HIP) 以及自适应融合辅助行为子序列以捕捉用户购买意图的购买意图知觉模块 (PIP),相比主要的序列模型,在准确性方面具有竞争优势并具有简单和高效的独特优势,广泛实验表明 BMLP 在四个公共数据集上显著改进了现有算法,而其纯 MLP 架构导致线性时间复杂度。
Feb, 2024