跨设备用户匹配的层次化图神经网络与交叉注意力
该研究提出了一种名为 CGAT 的新型推荐框架,可以明确地利用实体在知识图中的本地和非本地图上下文信息,以实现个性化的推荐,这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文,并利用 RNN 来模拟实体和其非本地上下文实体之间的依赖关系
Apr, 2020
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
本文提出了一种可扩展的 Bi-Level Aufmerksamkeitsgraph-neuronale Struktur (BA-GNN),该结构使用新的双层图注意机制,以从局部邻域上下文中层次化地注意来自本地邻域上下文的节点 - 节点和关系 - 关系交互,该方法用于有效建模多关系和多实体的大规模异构图。该方法被证明在七个真实世界的异构图上表现良好,并显示了学习到的关系 - 级别注意力的质量和可转移性,在提高其他 GNN 性能方面也得到应用。
Apr, 2023
本文提出了两个关键性贡献:首先是演示了图神经网络如何训练并嵌入向量空间,以便有效地进行相似性推理;其次是提出了一种新的图匹配网络模型,通过新的跨图注意力匹配机制,在一对图之间共同推理,计算它们之间的相似度得分。在不同领域的实验分析表明,本文提出的模型不仅能够在相似性学习的上下文中利用结构,而且能够优于针对此类问题精心设计的基线系统。
Apr, 2019
本文提出了一种名为 Contextual Graph Attention(CGA)的多头注意力的端到端端逻辑查询答案模型,使用初始邻域聚合层来生成中心嵌入,利用图注意力机制来处理不同查询路径的不同贡献,并使用 DB18 和 WikiGeo19 数据集进行评估,结果表明,该模型在性能上优于现有的基线模型。
Sep, 2019
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
该论文提出了一种基于分层注意力机制的异构图神经网络,包括节点层次和语义层次的注意力机制,通过从元路径邻居中汇总特征来生成节点嵌入,其在三个真实的异构图上表现出优越性能且有助于图分析。
Mar, 2019
提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战,并使用两级注意机制生成序列表示为超边,同时学习每个序列的关键子序列。实验结果表明,Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。
Mar, 2023