KDDJul, 2022

用于序列推荐的多行为超图增强变压器

PDF
TL;DR设计了一种多行为超图增强 Transformer 框架（MBHT），用于捕获基于多个交互类型的短期和长期行为依赖关系，该框架通过低秩自注意力和超图神经网络结构实现。
dynamic user preferencesequential recommendationsgraph neural networkscross-type behavior dependencieshypergraph-enhanced transformer
发现论文，激发创造
  • 时间图变换器的多行为序列推荐

    本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。

    Jun, 2022

  • 个性化行为感知 Transformer 模型用于多行为序列推荐

    本文研究了 Multi-Behavior Sequential Recommendation 问题，提出了一种名为 Personalized Behavior-Aware Transformer (PBAT) 的框架，该框架通过建模个性化模式和多方面的序列协作来提高推荐性能。

    Feb, 2024

  • 多行为推荐的知识增强层次图变压器网络

    本文提出了一种知识增强的分层图转换网络，以调查推荐系统中用户和物品之间的多类型互动模式，包括复杂的用户行为特征，知识感知的物品关系以及多类型用户物品交互的动态特性，实验表明该方法在多种情况下优于现有的推荐方法。

    Oct, 2021

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 基于印象信息的多行为推荐系统：一种层次图注意力方法

    该研究介绍了一种在推荐系统中处理多种行为交互的层次多行为图注意力网络 (HMGN)，该网络通过注意机制从不同行为中获取信息，并采用多任务的层次贝叶斯个性化排序进行优化，结果显示性能提升了 64%。

    Sep, 2023

  • 通过记忆增强变压器网络进行多路行为关系学习推荐

    该研究旨在解决当前推荐系统仅考虑用户与物品的单一交互类型，无法识别具有复合行为关系的交互信号的问题，通过提出使用记忆 - 增强变压器网络（MATN）的方法实现多重行为关系信息推荐。经过实验证明，该方法在两个基准数据集和真实世界的电子商务用户行为数据方面均取得了显著的改进。

    Oct, 2021

  • 多行为推荐的图元网络

    通过引入多行为的模式建模到元学习范式中的多行为推荐框架，可以提高推荐性能。

    Oct, 2021

  • 自监督超图变换器用于推荐系统

    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

  • 多行为推荐的超级元路径对比学习

    本篇论文提出了在推荐系统中使用超级元路径和图形对比学习的框架来解决多行为信息下的用户购买预测问题，并在广泛的比较实验中，显著优于所有基线方法。

    Sep, 2021

  • 阿里巴巴电商推荐中的行为序列变换器

    该研究使用基于 Transformer 模型的深度学习方法，通过捕捉用户行为序列中的顺序信号来改进推荐系统，实验结果表明相较于基线算法，该模型在淘宝上线后获得显著的点击率提升。

    May, 2019