Oct, 2023

基于图神经网络的上下文感知会话推荐

PDF
TL;DRCARES 是一种基于图神经网络的新型上下文感知会话推荐模型，利用不同类型的会话上下文来捕捉用户兴趣，通过构建一个多关系跨会话图来连接项目，设计个性化项目表示，以及采用标签协作策略生成软用户偏好分布作为标签，在三个基准数据集上的实验结果表明，CARES 在 P@20 和 MRR@20 方面始终优于最先进的模型。
session-based recommendationcontext-awaregraph neural networksuser interestslabel collaboration strategy
发现论文，激发创造
  • 全局上下文增强的图神经网络用于会话推荐

    本文提出了一种新的方法，称为全局上下文增强图神经网络 (GCE-GNN)，利用全局图和会话图中的项目转换更精细地推断用户偏好，从而改善了会话推荐，此方法在三个基准数据集上都表现出优异的性能。

    Jun, 2021

  • 对话式推荐的对比多级图神经网络

    本文提出了一种新颖的对比多层图神经网络方法（CM-GNN）来更好地利用复杂和高阶的物品转换信息，并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明，所提出的方法优于现有的会话推荐技术。

    Nov, 2023

  • 基于图神经网络的会话推荐

    该论文提出了一种名为 SR-GNN 的新型方法，基于图神经网络来对会话进行建模，并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合，从而提高了会话推荐的准确率。

    Nov, 2018

  • 通过图神经网络对基于会话的推荐建模复杂依赖关系

    本文提出了一种新的基于评论信息的图神经网络方法 (RI-GNN)，用于改善 SBRs 中的物品之间的依赖关系，从而提高基于会话的推荐性能。实验证明，RI-GNN 优于目前已有的 SOTA 方法。

    Jan, 2022

  • 基于图神经网络的跨会话信息利用

    本文提出了一种基于图神经网络 (Full Graph Neural Network, FGNN) 以及广联跨时加工 (Broadly Connected Session, BCS) 的新型会话 (session) 推荐算法，旨在更好地捕捉复杂的物品依赖关系和跨时信息。在 Yoochoose 和 Diginetica 等两个电子商务基准数据集上广泛测试，实验结果表明，与现有会话推荐模型相比，该算法具有优异的性能。

    Jul, 2021

  • 基于图弹簧网络和信息锚点选择的基于会话的推荐

    本文提出了一种基于会话推荐的 Graph Spring Network 和信息锚点选择模型（GSN-IAS），用于在物品图上学习基于 ID 的物品嵌入，并提出了一种选择信息锚点和编码物品与锚点关系的非监督学习机制。最后，将两次预测进行自适应决策融合，以做出最终推荐。

    Feb, 2022

  • 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

  • SimCGNN: 基于对比的会话推荐简单图神经网络

    该研究提出了一种基于对比学习的简单对比图神经网络用于会话推荐，通过获得标准化的会话图嵌入、正负样本的构建和新颖的负样本选择策略，优于现有方法并进行了大量实验验证。

    Feb, 2023

  • STAR：面向会话的时序推荐系统

    该论文研究了会话时间信息对于基于会话的推荐系统的性能的潜在作用，并提出了一种不使用离散化的机制（STAR 框架），其利用会话内事件之间的时间间隔来构建更详细的表示，并在 Yoochoose 和 Diginetica 数据集上实现了 Recall 和 MRR 等指标上的最佳性能。

    Nov, 2022

  • 从用户 - 会话 - 项目的分层结构中学习相似度，用于个性化会话推荐

    本文提出了一种基于 Graph Neural Network 的个性化 Session-Based Recommendation 模型，该模型通过建立 UserGraph 并运用对比损失函数和用户嵌入相似性来实现多用户之间信息交互以及提高推荐的准确性。

    Jun, 2023