Jun, 2023

HypeRS: 基于超图的集成推荐系统

PDF
TL;DR本文提出了一种崭新的集成推荐系统，将由不同模型生成的预测结果合并到统一的超图排名框架中，通过在个体推荐系统上分配不同的超边权重来区分实际连接和预测连接，实验结果表明，与单个模型和加权混合方法相比，集成超图排名方法能够生成更准确的推荐结果，并且进一步改善了代表相同权重的超边的设置。
recommender systemsensemblehypergraph rankinguser preferencesprediction
发现论文，激发创造
  • 基于超图注意力网络的会话推荐

    本论文提出了一种新的基于超图注意力网络的会话推荐系统，它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入，并聚合每个会话的动态项目表示，从而推断下一个感兴趣的项目。实验结果表明，与最先进技术相比，所提出的模型能够有效生成信息丰富的动态项目嵌入，并提供更准确的推荐。

    Dec, 2021

  • 一种基于超图的图书馆在线资源推荐方法

    分析数字图书馆的使用数据，利用聚类算法（包括基于内容和基于用户访问模式）设计推荐系统，并通过超图算法生成的聚类模型相较基于内容的聚类算法设计的推荐系统更准确。

    Dec, 2023

  • 基于图学习的推荐系统综述

    本文回顾了基于图学习的推荐系统，特别是讨论了如何从基于图的表示中提取重要的知识来提高推荐的准确性、可靠性和可解释性。

    May, 2021

  • 双尺度自监督超图学习用于群组推荐

    本文提出了一个自我监督超图学习框架，用于解决群体推荐中用户之间的复杂关联模型问题。实验分析表明，该模型在多个基准数据集上的表现优于现有方法，并阐明了超图建模和双尺度自我监督的合理性。

    Sep, 2021

  • 基于分层超边嵌入的团体推荐表示学习

    本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

    Mar, 2021

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024

  • 面向推荐系统的偏好和并发感知贝叶斯图神经网络

    我们提出了一个高效的生成模型，同时考虑用户偏好、物品的共现以及一些重要的图结构信息，以解决推荐系统中的问题。通过在四个常用基准数据集上进行实验证明了我们提出的图生成方法在推荐系统中的有效性。

    Nov, 2023

  • 超几何超图用于序列推荐

    使用超图及超伽玛函数嵌入学习结合预训练技术，提出在序列推荐中，基于多尺度的嵌入学习和超图卷积神经网络的超球形超图表示学习方法（H2SeqRec），有效提升了稀疏超图的动态项目嵌入学习效果及推荐性能。

    Aug, 2021

  • 基于知识图谱的推荐系统综述

    本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。

    Feb, 2020

  • 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