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
本文提出了一种名为 DDCF 的双重分离协作过滤方法,通过分离意图和偏好的影响因素,构建独立的偏好表示,以提高个性化推荐性能的鲁棒性和可解释性。实验表明,DDCF 显著提高了性能和解释能力。
本文提出了一种基于逆向映射的深度对抗社交推荐框架 DASO,它可以有效地学习用户在社交领域和物品领域的异构表示,并在两个真实世界数据集上进行了全面的实验,证明了其有效性。
May, 2019
本文提出了一种新的推荐模型 DuoRec,通过对用户行为序列的表示形式的优化,解决了深度学习模型在生成物品表示时的退化问题,并在五个数据集上进行了实验验证。
Oct, 2021
本文提出了一个基于搜索的框架,即 SESRec,用于为顺序推荐提供支持。在该框架中,用户 S&R 行为的相似和不同表示的区分是通过对 S&R 行为序列的对比学习任务进行监督来实现的,该任务旨在从三个方面从注意力机制中提取用户兴趣。在工业和公共数据集上的广泛实验表明,SESRec 始终优于现有的其他模型,并且它成功地从 S&R 行为中分离了相似和不同的用户兴趣。
我们提出了一种名为 DisCo 的方法,以增强推荐系统,其中捕获了两个表示空间的特异性和一致性,然后将这些特征作为额外特征附加到任意的推荐主干中,实验证实了我们方法的优越性和兼容性。
May, 2024
该研究提出了一种基于图模型的新方法 ——Disentangled Graph Collaborative Filtering(DGCF),用于在用户意图的更细粒度的层次上进行用户 - 物品关系建模和表示学习,以解决现有协同过滤方法中用户兴趣多样性建模的问题,并实现优于几种最先进的模型的结果。
Jul, 2020
本文提出了一种基于因果解缠的社交推荐系统,名为 CDRSB,用于改进推荐性能。实验结果表明,与现有方法相比,CDRSB 在四个大规模真实世界数据集上的效果更好,解决了社交推荐系统面临的社交影响偏差问题。
Mar, 2024
本文介绍了 DSCF,一种新型的深度社交协同过滤框架,通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战,包括利用用户 - 项目交互和社交网络信息进行深度学习,使用邻居的信息并考虑特定推荐情况,以及了解邻居对项目的不同意见对用户的影响等,实验证明该框架的有效性。
Jul, 2019
本文提出了一个新的社交推荐模型,使用双重图注意力网络来协同学习两种社交效应的表示,并在上下文中使用基于策略的融合策略来提高推荐精度。
Mar, 2019