Aug, 2023

挑战图形协同过滤的神话：理性和可重复性分析

PDF
TL;DR我们的研究聚焦于图神经网络模型的可复制性，通过复现六种热门的图推荐模型在三个常见基准数据集上的结果来解决原有图模型研究中常采用未经验证结果的问题。此外，我们还将这些图模型与传统的协同过滤模型进行比较，并扩展研究至两个缺乏已建立的设置的新数据集，分析特定数据集特征对推荐准确度的影响，通过研究用户邻域信息流动，旨在识别数据集结构中的内在特征对模型的影响。
graph neural network-based modelsrecommender systemsreplicability of resultsgraph recommendation modelsdataset characteristics
发现论文，激发创造
  • 重新审视基于邻近的协同过滤链路预测

    本文提出了一种在双分图中利用本地图结构的连接分数来扩展多个标准连通性预测方法的新方法，并与迭代度更新过程相结合，以利用局部图结构的方法。尽管该方法很简单且不涉及节点建模，但我们展示了它在四个广泛使用的基准测试上明显优于现有的基于 GNN 的 CF 方法，在 Amazon-Book 上，我们展示了 Recall 和 NDCG 都有超过 60％的提高，希望我们的工作能引发学术界重新关注协作过滤中的链接预测方面。

    Mar, 2022

  • 神经图协同过滤

    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

  • 多图卷积协同过滤

    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

  • SocialGCN：一种基于图卷积网络的高效社交推荐模型

    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

  • 社交推荐的图神经网络

    本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

    Feb, 2019

  • 图形趋势滤波网络用于推荐

    本文介绍了通过图神经网络进行推荐的方法，并探讨了现有方法的一些缺点，提出一种基于图趋势过滤网络的新方法，以捕捉交互性的自适应可靠性。

    Aug, 2021

  • 超图对比协作过滤

    提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

    Apr, 2022

  • 推荐系统中的图神经网络：综述

    本研究综述了基于图神经网络的推荐系统在最近的研究工作中的应用。针对不同类型的信息和推荐任务，我们提供了 GNN-based 推荐模型的分类。 进一步分析了 GNN 在不同类型数据上应用时面临的挑战，并讨论了现有工作如何解决这些挑战。我们总结了相关的论文及其开源实现。

    Nov, 2020

  • 动态图协同过滤

    该论文提出一种名为 DGCF 的动态图协同过滤框架，利用动态图来同时捕捉项目和用户的协作和顺序关系，以解决传统的序列模型无法准确捕捉协作信息的问题，并在实验中表现出优越的性能。

    Jan, 2021

  • 解耦对比协同过滤

    本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

    May, 2023