Preference or Intent? 双重解耦协同过滤
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
本研究提出了一种新颖的解缠式对比学习框架,名为 DcRec,该框架可以从物品和社交领域中学习解缠式用户表示,并在社交推荐中进行知识转移。实验证明,该模型在各种真实世界数据集上具有优越性。
Aug, 2022
我们提出了一种基于多意图解缠的对比学习序列推荐方法(MIDCL),通过识别动态多样的意图,针对用户行为进行推荐,实现了超越大多数现有基准方法的性能,并为基于意图的预测和推荐研究带来了更可解释的案例。
Apr, 2024
本文研究和提出了两种新的图形模型,解决了用户偏好和评分之间的区别问题,通过两个电影评分数据集的实证研究,证明了明确建模用户偏好对于协同过滤非常重要,但是不能完全忽略评分信息。
Oct, 2012
个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法,通过在在线社交平台上用户的群组参与行为中获取兴趣信息,有效地缓解数据稀疏和冷启动问题,从而增强推荐系统的性能。
Nov, 2023
研究了协同过滤方法中用户和商品之间的图模型,提出了一种新的多组件图卷积协同过滤算法 (MCCF),旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块,设计了一种新的方式以获得对用户消费行为的高精度预测,实验结果表明,该算法不仅在三个真实数据集上表现优异,而且还证明了考虑多个组件的必要性。
Nov, 2019
本文提出了一种新的个性化联邦推荐 (PFedRec) 框架,基于轻量级模型在智能设备上部署用户特定模型,同时提出了一种新的双重个性化机制来实现对用户和项目的细粒度个性化学习,该学习过程被统一到一个联邦优化框架中。实验结果表明,PFedRec 框架和双重个性化机制是有效的,并为联邦推荐过程中的个性化技术提供了更深层次的探讨。
Jan, 2023
本文提出了一种通过将潜在表示明确分离成两部分来更好地处理个性化联邦学习的方法,并使用一种新颖的联邦双重变分自编码器(FedDVA)实现了解缠结,从而更好地平衡跨客户的知识共享和模型个性化,从而提高了 PFL 的可靠性和效果。
Jun, 2023