May, 2022

基于 Poincaré 异质图神经网络的序列推荐

PDF
TL;DR本文提出了一种名为 PHGR 的 Poincaré 异构图神经网络，用于同时建模顺序模式信息和 SR 场景数据中包含的层次信息。 PHGR 通过定义新的双曲内积运算符，直接在 Poincaré 球中进行全局和局部图表示学习，而不是在 Poincaré 球和欧几里得空间之间的常用投影操作，从而缓解了普通双向平移过程的累积误差问题。实证评估表明，PHGR 优于几种比较方法。
sequential recommendationhierarchical informationpoincaré-based heterogeneous graph neural networktemporal attentionuser-item interactions
发现论文，激发创造
  • 动态图神经网络用于序列推荐

    提出了一种名为 DGSR 的新方法，它通过连接不同的用户序列来探索用户和项之间的交互行为，从而将顺序推荐中的下一个项目预测任务转化为动态图中用户节点和项目节点之间的链接预测，实验证明该方法优于几种最先进的方法。

    Apr, 2021

  • 超几何超图用于序列推荐

    使用超图及超伽玛函数嵌入学习结合预训练技术，提出在序列推荐中，基于多尺度的嵌入学习和超图卷积神经网络的超球形超图表示学习方法（H2SeqRec），有效提升了稀疏超图的动态项目嵌入学习效果及推荐性能。

    Aug, 2021

  • 利用分层图神经网络增强全局上下文的社交推荐

    本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

    Oct, 2021

  • 个性化基于 Session 的推荐的异构全局图神经网络

    本文介绍了一种基于 Heterogeneous Global Graph Neural Networks 的物品跃迁模型，该模型利用用户历史和当前会话的信息推断用户偏好，从而提供个性化的推荐服务。

    Jul, 2021

  • 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

  • 基于图神经网络的顺序推荐

    本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks)，通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图，并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作，从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明，相比最先进的方法，该方法在公共和专有数据集上都达到了显著的性能提升，并且在序列长度方面也表现出了高效和有效的建模能力。

    Jun, 2021

  • RetaGNN：面向全局的序列推荐关系时间注意力图神经网络

    本文提出了基于关系注意力图神经网络（RetaGNN）的综合顺序推荐模型，该模型具有归纳、可传递的特点，并针对不同关系间进行训练，在长短期间使用顺序自注意机制对用户偏好进行编码，同时使用关系感知正则化项来更好地训练。在 MovieLens，Instagram，和 Book-Crossing 数据集上的实验表明 RetaGNN 在传统、归纳和可传递的设置下都能超过现有方法，其产生的注意力权重还带来了模型可解释性。

    Jan, 2021

  • 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

  • 具有时间图协同变换器的连续时间序列推荐

    提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

    Aug, 2021

  • 基于用户会话约束的个性化会话推荐异构图神经网络

    本文提出了一种利用多样化的注意力网络分析会话间关系，考虑用户信息生成会话表示和用户表示，从而实现改进推荐系统的效果的模型，并在多个真实数据集上取得了优异的性能。

    May, 2022