纯谱图嵌入:重新解释图卷积,用于 Top-N 推荐
我们提出了一种基于谱图小波的协同过滤框架,用于隐式反馈数据的个性化推荐,通过将用户、物品及其交互表示为一个二分图,利用自适应转换函数和深度推荐模型,来学习用户和物品的低维表示,同时促进推荐质量。实验证明,相比基准方法,我们的模型在真实世界的基准数据集上取得了更好的推荐效果。
Dec, 2023
本研究提出了一种利用谱域进行深度协同过滤的新模型 - Spectral Collaborative Filtering (SpectralCF),能够在用户 - 物品二部图的谱域中直接进行学习,发挥图中的信息优势,解决协同过滤中的 “冷启动” 问题,并在多个标准数据集上明显优于现有模型。
Aug, 2018
本文通过图信号处理的角度,研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论,提出了基于图卷积的统一框架,证明了现有的许多 CF 方法都是这个框架的特例,包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等,提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型,在三个知名数据集上实验表明,GF-CF 与基于深度学习的方法相比性能更强,在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。
Aug, 2021
本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法,通过构建多部分图来表示复杂的交互模式,并进一步使用图卷积网络(Graph Convolutional Networks)提高推荐系统的表现。
Mar, 2021
本文提出了一个基于图卷积的推荐框架,名为 Multi-GCCF,该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图,并在双分图上执行图卷积,在四个公共基准测试中取得较显著的改进,证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。
Jan, 2020
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
推荐系统领域的文献综述表明,图神经网络是当前互联网上应用最广泛的推荐算法之一,该研究剖析了推荐系统和图神经网络的背景和发展,并分类讨论了推荐系统的设置以及图神经网络的谱模型和空间模型,同时探讨了将图神经网络应用于推荐系统的动机,并分析了在图构建、嵌入传播聚合和计算效率方面面临的挑战和未解决问题,从而为未来的研究方向和发展提供了指导。
Nov, 2023
本文提出了一种基于图卷积神经网络的社交推荐模型,通过捕捉信息在社交网络中的扩散进程来影响用户偏好,使得模型在两个真实数据集上展现出了很好的性能。
Nov, 2018
该论文提出了一种基于全空间双曲几何的图卷积网络模型,以更准确地捕捉用户 - 项目的交互关系,并在公共基准数据集上实验表明其性能优于欧几里得空间和双曲空间的对应方法,且达到可比较的性能只需要更低的嵌入维度。
Aug, 2021