Jun, 2023

DEKGCI：一种结合知识图谱和用户 - 物品交互图的双向推荐模型

PDF
TL;DR本文提出了双向推荐模型 DEKGCI，利用用户物品交互图的高阶协作信号丰富用户表示，同时利用知识图谱的高阶结构和语义信息丰富物品表示，实现了用户和物品之间的有效互动捕捉。在三个真实数据集上的实验结果表明，DEKGCI 相对于七种最先进的基线模型在 AUC 和 ACC 方面具有高效性。
knowledge graphsuser-item interaction graphsrecommender systemsdekgcicollaborative signals
发现论文，激发创造
  • 将本地和全局信息统一以进行 Top-N 推荐

    该研究旨在提高推荐系统的效果，通过结合知识图谱中的全局信息和用户 - 物品交互数据中的局部信息，使用一个创新的 Duet 表示学习框架 KADM 来训练语义融合网络，成功地解决了现有的基于知识图谱的方法只关注图中结构信息的缺陷。

    Dec, 2020

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

    Sep, 2021

  • 基于知识图谱交互学习推荐意图

    该研究提出了一种名为 “KGIN” 的知识图谱意图网络模型，应用了关注机制的思想，能够更准确地表达用户与物品之间的相关性，实现了基于图神经网络的推荐系统并取得了显著的性能提升。

    Feb, 2021

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 基于知识的耦合图神经网络的社交推荐

    该研究提出了一种知识感知的耦合图神经网络模型，用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题，实验结果表明该方法在多种情境下有效益。

    Oct, 2021

  • 多层交互对比学习在知识感知推荐中的应用

    本文提出了一种基于对比学习的知识感知推荐模型，结合了本地和非本地的知识图谱，并采用层级交互对比学习来提高推荐性能。

    Aug, 2022

  • 一个基于邻域交互模型的端到端知识增强推荐系统

    本文研究了基于图的推荐系统，提出了一种邻域交互模型（NI）来处理数据稀疏性和冷启动问题，通过使用知识图谱和图神经网络（GNN），提出了知识增强的邻域交互（KNI）模型，实现了优越的性能表现。

    Aug, 2019

  • 基于用户中心子图网络的知识增强推荐

    基于知识图谱和图神经网络的用户中心子图网络方法 (KUCNet) 构建了用户 - 物品子图以捕捉用户物品历史交互和知识图谱提供的辅助信息，并使用基于注意力机制的图神经网络对子图进行编码，提供了准确、高效、可解释的推荐特别是针对新物品的方法。实验结果表明 KUCNet 在基于知识图谱和协同过滤的方法上具有优势。

    Mar, 2024

  • 关于知识增强推荐的对比视角之甜蜜点

    提出一种新的用于增强推荐系统的对比学习框架，通过构建两个独立的对比视图，最大化它们的相互信息，并以单向方式将知识图谱信息融入到用户 - 物品交互图中，实验证明该方法相比现有技术具有更好的效果和效率。

    Sep, 2023

  • 通过对抗学习从用户 - 物品交互数据挖掘隐式实体偏好以完成知识图谱

    本研究提出了一种基于用户交互数据的敌对学习方法，通过结合协同学习算法和图神经网络，有效地解决了知识图谱补全任务中数据异构性和语义复杂性问题。

    Mar, 2020