May, 2023

大规模动态图上的即时表示学习推荐

PDF
TL;DR该论文提出了一种名为 SUPA 的图神经网络模型，用于解决动态图中邻居干扰和在线学习方面的问题，并在实验中显示其在推荐系统领域表现出色。
recommender systemsrepresentation learningdynamic graphsgraph neural networkonline learning
发现论文，激发创造
  • 图神经网络中的动态邻居聚合：Just Jump

    本文提出了一种基于多头注意力的动态邻域聚合（DNA）过程，用于图形表示学习，通过选择性和节点自适应聚合来聚合邻域嵌入，以避免过拟合，并控制输入和输出之间的通道连接，通过分组线性投影实现。本方法有效地解决了节点分类问题。

    Apr, 2019

  • 面向新闻推荐的图增强表示学习

    该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

    Mar, 2020

  • 基于动态图注意力网络的基于会话的社交推荐

    该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

    Feb, 2019

  • 大规模动态图的解耦图神经网络

    本文提出了一种分离式图神经网络方法，适用于连续型和离散型大型动态图，通过统一的动态传播方法，能够在预测任务中支持序列模型，实现了卓越的可扩展性和表现力，实验结果在连续型和离散型动态图上均达到了最先进表现。

    May, 2023

  • 多关系网络推理的自适应邻域图构建

    提出了一个能够动态调整邻居图的框架，它能够根据中间推理结果的状态和相互连接的结构属性来处理多关系数据，并根据中间推理结果使用不同数量的关系。将链接预测任务制定为对邻域图的推理，并包括初步结果来说明我们提出的框架中不同策略的影响。

    Jul, 2016

  • 动态图的表示学习：一项综述

    本篇综述论文回顾了近期对动态图表示学习的研究进展，包括对动态知识图谱的研究，将现有模型从编码器 - 解码器的角度进行描述和分类，并分析了每个类别中采用的技术，同时还回顾了几个显著的应用和广泛使用的数据集，并突出了未来研究的方向。

    May, 2019

  • GraphSAIL: 用于推荐系统的图结构感知增量学习

    本文提出了一种基于图神经网络的推荐模型增量学习框架 GraphSAIL，可以显著减少计算时间并提供更频繁的推荐更新，同时保留用户 / 物品的长期偏好，并通过在训练期间显式地保留每个节点的局部和全局结构以及自我信息来实施图结构保护策略。在两个公共数据集上的实验表明，相对于其他增量学习技术，GraphSAIL 可以显著提高推荐系统的性能。此外，在大规模工业数据集上，该框架也得到了验证。

    Aug, 2020

  • 神经网络下的动态图表征学习：综述

    本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

    Apr, 2023

  • 用于动态表征的时间聚合和传播图神经网络

    本文提出了一个新的方法，即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN)，将时间信息嵌入节点嵌入向量中，取得了比现有的时间图方法更好的预测性能和在线推理延迟。

    Apr, 2023

  • 重复感知邻居采样用于动态图学习

    本文介绍了 RepeatMixer 模型，该模型通过考虑邻居采样策略和时间信息学习，学习源节点和目标节点的第一和高阶邻域序列的时间模式，进而提高了链接预测任务中的性能。

    May, 2024