本论文提出了一种新的基于超图注意力网络的会话推荐系统,它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入,并聚合每个会话的动态项目表示,从而推断下一个感兴趣的项目。实验结果表明,与最先进技术相比,所提出的模型能够有效生成信息丰富的动态项目嵌入,并提供更准确的推荐。
Dec, 2021
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
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
本文提出了一种基于图神经网络 (Full Graph Neural Network, FGNN) 以及广联跨时加工 (Broadly Connected Session, BCS) 的新型会话 (session) 推荐算法,旨在更好地捕捉复杂的物品依赖关系和跨时信息。在 Yoochoose 和 Diginetica 等两个电子商务基准数据集上广泛测试,实验结果表明,与现有会话推荐模型相比,该算法具有优异的性能。
本文提出了一种新的基于会话图的推荐模型,该模型通过构建会话图,并协同考虑序列顺序和会话图的潜在顺序,将下一个项目推荐问题建立为图分类问题,并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集,Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。
Nov, 2019
本文提出了一种基于 Graph Neural Network 的个性化 Session-Based Recommendation 模型,该模型通过建立 UserGraph 并运用对比损失函数和用户嵌入相似性来实现多用户之间信息交互以及提高推荐的准确性。
Jun, 2023
本文研究在基于会话的推荐系统中,如何通过跨会话信息传递的层次循环神经网络模型,实现对用户兴趣的个性化推荐,数据实验表明该方法优于单纯使用基于会话的神经网络推荐方法。
Jun, 2017
本研究提出了一种名为个性化图神经网络和注意力机制的新方法,以解决现有基于过去历史数据进行推荐的方法无法有效捕捉项目转移关系和历史会话对当前会话影响的问题,并通过实验验证说明该方法优于现有的方法。
Oct, 2019
该研究提出了一种基于对比学习的简单对比图神经网络用于会话推荐,通过获得标准化的会话图嵌入、正负样本的构建和新颖的负样本选择策略,优于现有方法并进行了大量实验验证。
Feb, 2023
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