超越本地:全球图增强个性化新闻推荐
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
通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互,并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式,从而在新闻推荐系统中扩展高阶结构信息。实验结果表明,该模型在新闻推荐方面显著优于现有的方法。
Oct, 2019
通过将大型语言模型(LLM)和知识图谱(KG)结合为传统方法的语义表示形式,该研究提出了一个新的通用框架,以准确地推荐候选新闻文章给用户,从而改善了新闻推荐系统中的个性化推荐效果。
Aug, 2023
本研究提出了一种新的基于层次图神经网络的社会化推荐框架(SR-HGNN),以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战,并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。
Oct, 2021
本文提出了一种知识感知的交互匹配方法,通过使用知识图谱来捕获语义和实体之间的相关性,同时设计了新闻协同编码器和用户新闻协同编码器来学习正文新闻和候选新闻的表征以及用户兴趣的表征,从而有效提高了新闻推荐的性能。
Apr, 2021
本文提出了一种新颖的全局 - 局部注意力网络(GLAN)来进行谣言检测,该网络联合编码了本地语义和全局结构信息,并基于异构图模型来捕捉消息传播图中的丰富结构信息,实验证明在谣言检测和早期检测场景中,GLAN 明显优于现有的最先进模型。
Sep, 2019
本研究提出了一种新型神经模型,将全局节点编码和局部节点编码相结合,以学习更好的上下文节点嵌入,实现了在两个图文转换数据集上明显的改进。
Jan, 2020
本研究提出了一种基于行为感知的图形网络,同时考虑六种不同类型的行为以及用户对新闻多样性的需求,使用 DeepWalk 提取实体语义,建立了一个基于图形的卷积神经网络来学习新闻的表示,以及一个基于关注力的 LSTM 来学习行为序列的表示,成功地将新闻推荐给不同程度集中度的不同用户。
Nov, 2018