May, 2022

图神经推荐的空间自回归编码

PDF
TL;DR本文提出了一种名为 SAC 的新型框架，它采用了一种新的空间自回归范式来充分利用邻居的接近性和高阶信息，同时还提出了邻居信息瓶颈来学习目标节点到邻居的预测任务的最小充分表示，并消除邻居的冗余，实验结果表明，在公共推荐数据集和某真实情境下的大型数据集 Douyin-Friend-Recommendation 上，SAC 方法优于现有的最先进的方法。
graph embeddingrecommendationneighbor proximityhigh-order informationsac
发现论文，激发创造
  • 利用卫星图像预测房价：超越空间自回归模型

    本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。

    Oct, 2016

  • 利用自注意力自编码器和邻居感知来推荐地点

    本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

    Sep, 2018

  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 提高空间图神经网络欺诈检测的聚合和加速训练方法

    本文提出三个方法以解决 Residual Layered CARE-GNN 的三个问题：采用余弦距离进行相似度度量，结合邻节点和批次规范化的相似度量模块，以及中间信息补充。在 Yelp 和 Amazon 数据集上，采用这三种方法分别获得了 4.81％，6.62％，6.81％的提高。

    Feb, 2022

  • 自我学习图神经网络用于顺序推荐

    我们提出了一种名为自我监督图神经网络（SelfGNN）的新型框架，用于顺序推荐。该框架通过时间间隔对短期图进行编码，并利用图神经网络（GNN）学习短期协作关系。它通过间隔融合和动态行为建模，在多个粒度级别捕捉长期用户和物品表示。我们的个性化自增强学习结构通过根据长期用户兴趣和个人稳定性减轻短期图中的噪声，增强了模型的鲁棒性。广泛的实验证明，SelfGNN 优于各种最先进的基线模型。

    May, 2024

  • 面向临时群体推荐的自监督图学习

    提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

    Dec, 2021

  • 基于邻域瓦瑟斯坦重构的图自编码器

    该研究提出了使用邻域 Wasserstein 重构方法实现更好的无监督 GNN 训练，生成更具优势的以结构为导向的图挖掘任务的无监督节点表示。

    Feb, 2022

  • 使用对抗图卷积网络提升社交推荐

    本文提出了一种基于图卷积网络和对抗训练的深度框架，以解决社交推荐系统中的一些问题，如噪声、局限性和异质性等，实验证明该框架在多个开放数据集上具有卓越的推荐性能。

    Apr, 2020

  • 序列推荐的图形掩蔽自编码器

    提出了一种简单而有效的图蒙版自编码器，通过自监督学习来自适应动态提取全局项转换信息，在顺序推荐中进行信息增强。

    May, 2023

  • 自动化时空图对比学习

    本文介绍了一种 Automated Spatio-Temporal graph contrastive learning（AutoST）的方法，在考虑到多视图数据源的情况下，结合异构图神经架构，通过参数化的对比视图生成器来设计自动的时空增强方案，以解决数据噪声、分布异质性等问题，并进行对比实验以验证其效果。

    May, 2023