MGDCF: 使用马尔科夫图扩散进行距离学习的神经协同过滤

Apr, 2022

MGDCF: 使用马尔科夫图扩散进行距离学习的神经协同过滤

MGDCF: Distance Learning via Markov Graph Diffusion for Neural Collaborative Filtering

Jun Hu, Shengsheng Qian, Quan Fang, Changsheng Xu

TL;DR该研究探讨了基于马尔可夫过程的距离学习统一框架下的 Markov Graph Diffusion Collaborative Filtering (MGDCF) 文本的关键词，该文献讨论了协同过滤、图神经网络、距离学习、马尔可夫过程与推荐系统等主题。

Abstract

collaborative filtering (CF) is widely used by personalized recommendation systems, which aims to predict the preference of users with historical user-item interactions. In recent years, graph neural networks (GN

collaborative filtering graph neural networks distance learning markov processes recommendation systems

发现论文，激发创造

解耦对比协同过滤

本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

May, 2023

超图对比协作过滤

提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

Apr, 2022

重新审视基于邻近的协同过滤链路预测

本文提出了一种在双分图中利用本地图结构的连接分数来扩展多个标准连通性预测方法的新方法，并与迭代度更新过程相结合，以利用局部图结构的方法。尽管该方法很简单且不涉及节点建模，但我们展示了它在四个广泛使用的基准测试上明显优于现有的基于 GNN 的 CF 方法，在 Amazon-Book 上，我们展示了 Recall 和 NDCG 都有超过 60％的提高，希望我们的工作能引发学术界重新关注协作过滤中的链接预测方面。

Mar, 2022

SocialGCN：一种基于图卷积网络的高效社交推荐模型

本文提出了一种基于图卷积神经网络的社交推荐模型，通过捕捉信息在社交网络中的扩散进程来影响用户偏好，使得模型在两个真实数据集上展现出了很好的性能。

Nov, 2018

多图卷积协同过滤

本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

Jan, 2020

动态图协同过滤

该论文提出一种名为 DGCF 的动态图协同过滤框架，利用动态图来同时捕捉项目和用户的协作和顺序关系，以解决传统的序列模型无法准确捕捉协作信息的问题，并在实验中表现出优越的性能。

Jan, 2021

神经图协同过滤

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

挑战图形协同过滤的神话：理性和可重复性分析

我们的研究聚焦于图神经网络模型的可复制性，通过复现六种热门的图推荐模型在三个常见基准数据集上的结果来解决原有图模型研究中常采用未经验证结果的问题。此外，我们还将这些图模型与传统的协同过滤模型进行比较，并扩展研究至两个缺乏已建立的设置的新数据集，分析特定数据集特征对推荐准确度的影响，通过研究用户邻域信息流动，旨在识别数据集结构中的内在特征对模型的影响。

Aug, 2023

图卷积在推荐系统中的效果如何？

本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

Aug, 2021

基于图神经常微分方程的协同过滤方法

我们提出了一种基于图神经常微分方程的协同过滤方法（GODE-CF），该方法通过利用一个或两个图卷积网络层捕获的信息来估计最终嵌入，并证明了该模型在多个数据集上优于竞争基线和其他最新的协同过滤方法。值得注意的是，我们的 GODE-CF 模型相对于传统的图卷积网络模型具有简单、高效和快速训练时间等多个优点，使其成为实际场景中的理想选择。

Nov, 2023