基于图的推荐系统的束神经网络

Apr, 2023

Sheaf Neural Networks for Graph-based Recommender Systems

Antonio Purificato, Giulia Cassarà, Pietro Liò, Fabrizio Silvestri

TL;DR本文提出一种基于 Sheaf 神经网络的图神经网络方法，相比于现有的图神经网络方法，该方法将节点与边关联到一个向量空间而不是一个静态向量，以适当的表示方式更准确地建模和推断用户和物品等节点，从而在协同过滤和链接预测等任务上实现了最先进的性能。

Abstract

Recent progress in graph neural networks has resulted in wide adoption by many applications, including recommendation systems. The reason for Graph Neural Networks' superiority over other approaches is that many

graph neural networks recommendation systems sheaf neural networks collaborative filtering link prediction

发现论文，激发创造

Sheaf 神经网络

本文提出了一种基于 sheaf Laplacian 的 sheaf 神经网络，该网络通过泛化已有的 graph convolutional networks 模型中的扩散操作，提供了一种 proper generalization 的方法，以适用于节点间关系非恒定、非对称、不同维度的领域。研究结果表明，在节点之间关系非对称且带符号的领域，sheaf 神经网络可以优于 graph convolutional networks。

Dec, 2020

具有连接拉普拉斯算子的层雪峰神经网络

本文提出了一种利用黎曼几何计算切空间之间最优对齐的新方法来计算 Sheaf Neural Network（SNN）的方法，该方法在与之前的 SNN 模型相比具有更少的计算开销，为代数拓扑和微分几何之间的有趣联系提供了一个有意义的构架。

Jun, 2022

束超图网络

利用细胞韵奏增强了超图的表示方法，并设计了 Sheaf Hypergraph Neural Networks 和 Sheaf Hypergraph Convolutional Networks 模型，通过广泛的实验表明这种泛化显著提高了性能，在多个超图节点分类基准数据集上取得了最佳结果。

Sep, 2023

神经图协同过滤

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

社交推荐的图神经网络

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019

推荐系统中的图神经网络综述：挑战，方法与方向

本篇综述介绍了基于图神经网络的推荐系统的研究进展，主要包括基本背景、发展历程、研究热点、存在问题、相关应用等方面。文章概述了现有的研究成果，并探讨了未来的应用方向和挑战。

Sep, 2021

推荐系统中的图神经网络：综述

本研究综述了基于图神经网络的推荐系统在最近的研究工作中的应用。针对不同类型的信息和推荐任务，我们提供了 GNN-based 推荐模型的分类。进一步分析了 GNN 在不同类型数据上应用时面临的挑战，并讨论了现有工作如何解决这些挑战。我们总结了相关的论文及其开源实现。

Nov, 2020

图神经网络中的非线性层扩散

研究了非线性拉普拉斯在 Sheaf 神经网络中的引入对图相关任务的潜在好处，重点在于理解这种非线性对扩散动力学、信号传播和离散时间设置中神经网络架构性能的影响。通过使用真实和合成数据集验证不同模型版本的实际有效性，该研究主要强调了实验分析。此方法将焦点从最初的理论探索转移到了证明所提模型的实际实用性。

Mar, 2024

线性时间图神经网络可扩展的推荐系统

在信息爆炸时代，推荐系统是为用户提供个性化推荐的重要工具。本文提出了一种线性时间图神经网络（LTGNN）来扩展基于 GNN 的推荐系统，以实现与经典 MF 方法相当的可扩展性，同时保持 GNN 强大的表达能力以获得更准确的预测。通过大量实验证明了所提算法的有效性和可扩展性。

Feb, 2024

利用基于递归多图神经网络的几何矩阵补全技术

本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络，以学习有意义的统计图结构模式和非线性扩散过程，从而生成已知的评分，具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验，表明该方法优于现有技术。

Apr, 2017