基于图的推荐对齐和统一性
通过在潜在空间中提出原型 (簇中心) 作为多样性图形的不同扩充的一致性基准,我们介绍了一种名为 ProtoAU 的推荐方法,它通过排序和保持用户和项目的原型的一致性以及统一性来解决了图对比学习中的采样偏差问题。
Feb, 2024
本文提出了一种名为 CAGR(Centrality Aware Group Recommender)的新型端到端组推荐系统,该系统采用双向图嵌入模型(BGEM)、自我注意机制和图卷积网络(GCN)作为基本构建块,从数据中学习群组和用户的表示方法,以克服组决策制定的真实和复杂过程,特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明 CAGR 的优越性。
Oct, 2020
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
本文提出了一种名为 PHGR 的 Poincaré 异构图神经网络,用于同时建模顺序模式信息和 SR 场景数据中包含的层次信息。 PHGR 通过定义新的双曲内积运算符,直接在 Poincaré 球中进行全局和局部图表示学习,而不是在 Poincaré 球和欧几里得空间之间的常用投影操作,从而缓解了普通双向平移过程的累积误差问题。实证评估表明,PHGR 优于几种比较方法。
May, 2022
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
基于超辐角的对比学习在学习高质量图嵌入中表现良好,通过设计对齐度量和均匀性度量,解决了生态树属性和泊松球边界处的各向同态问题,实验证明了该方法在监督学习和自我监督学习中的有效性。
Oct, 2023
本文提出了一种基于超几何知识增强图卷积网络的知识感知推荐方法,用于解决传统推荐系统中数据稀疏和冷启动问题,通过将知识图谱与用户 - 项目交互进行统一构建三元图来建模,采用不同的信息传播策略在超 bolic 空间中显式地编码异质信息,实现信息的协同聚合,并在三个真实数据集上进行了广泛实验证明,提出的方法优于现有最新方法,可以在 Top-K 推荐中提高 3.6-15.3%的召回率。
Aug, 2021
我们提出了一种新的深度图级聚类方法 Uniform Deep Graph Clustering(UDGC),通过将实例均匀分配到不同的聚类中心并在单位超球面上散布这些聚类,从而实现了更均匀的聚类级分布和较小的聚类崩溃问题。我们在八个著名数据集上的实证研究显示,UDGC 明显优于现有的模型。
Nov, 2023
提出了一种名为 Bilateral Unsymmetrical Graph Contrastive Learning(BusGCL)的新框架,该框架考虑了用户 - 物品节点关系密度的双侧不对称性,通过双侧切片对比训练更好地推理用户和物品图,并使用超图卷积网络(GCN)生成的嵌入来挖掘隐含相似性,该方法在推荐任务中表现出优越性。
Mar, 2024
本文提出了一个新的社交推荐模型,使用双重图注意力网络来协同学习两种社交效应的表示,并在上下文中使用基于策略的融合策略来提高推荐精度。
Mar, 2019