超图对比协作过滤
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
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
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
研究了协同过滤方法中用户和商品之间的图模型,提出了一种新的多组件图卷积协同过滤算法 (MCCF),旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块,设计了一种新的方式以获得对用户消费行为的高精度预测,实验结果表明,该算法不仅在三个真实数据集上表现优异,而且还证明了考虑多个组件的必要性。
Nov, 2019
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
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
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
本文提出了一种名为 SHT 的新型自监督超图变换器框架,以增强协同过滤模型在处理存在数据稀疏和噪声的推荐场景时的鲁棒性,并在各种最先进的基准模型上显著提高性能,证明了其出色的表示能力。
Jul, 2022
本文提出了一种新的图矩阵和用户 - 项目交互矩阵的设计方法,将用户 - 用户、项目 - 项目相关性以及用户 - 项目交互数量平衡考虑在内,提高了高阶协同信号的捕获质量,推荐效果显著提升。
Apr, 2023
本文提出一种名为邻域增强对比学习(Neighborhood-enriched Contrastive Learning,简称 NCL)的方法,将邻居嵌入到对比对中,以实现在图协同过滤方法中减少数据稀疏性的效果,并在五个公共数据集上进行广泛的实验证明了该方法的有效性,尤其在 Yelp 和 Amazon-book 数据集上分别获得了 26%和 17%的性能提升。
Feb, 2022