Oct, 2023

MeKB-Rec：跨领域推荐的个人知识图谱学习

PDF
TL;DR通过引入个人知识图谱（PKG）作为领域不变的兴趣表示，提出了一种名为 MeKB-Rec 的新跨领域推荐（CDR）范式，目的是解决现代推荐系统中针对新用户的冷启动问题。与大多数现有系统不同，我们的方法在领域之间构建了一个语义映射，打破了对领域内用户行为的要求，实现了对低资源领域中新用户的零次推荐，并在公共 CDR 数据集上取得了显著的性能提升。
cold-start problemcross-domain recommendationpersonal knowledge graphmekb-recpretrained language models
发现论文，激发创造
  • 跨领域推荐的迁移元框架：针对冷启动用户

    本文介绍了一种基于元学习的跨域推荐系统解决方案，采用 transfer-meta 架构，可以在感知用户洞察和推荐推广等方面获得更好的性能表现。

    May, 2021

  • 跨领域对比推荐匹配

    本文提出了一种新颖的用于匹配的对比交叉领域推荐（CCDR）框架，该框架通过构建一个巨大的多样化的偏好网络来捕捉反映用户多种兴趣的多种信息，并设计了一个内域对比学习（intra-CL）和三个交叉域对比学习（inter-CL）任务以获得更好的表示学习和知识转移。在实验中，CCDR 在现实世界的系统中取得了显着的离线和在线评估成果。

    Dec, 2021

  • 跨领域推荐的领域感知交叉注意力

    我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

    Jan, 2024

  • 跨域推荐的多模态数据隐私保护框架

    跨域推荐的隐私保护框架 (P2M2-CDR) 利用多模态数据来解决数据稀疏问题，通过多模态解耦编码器对域公共和域特定嵌入进行分离，并引入隐私保护解码器进行用户隐私保护，以对抗学习为基础的域间和域内损失函数确保解耦嵌入的一致性和区分度，实验证明 P2M2-CDR 在四个真实数据集上优于其他领先的单域和跨域基准模型。

    Mar, 2024

  • 元知识图谱上的元学习用于冷启动推荐

    本文提出了一种基于元学习方法的知识图谱推荐模型 MetaKG，通过协作感知元学习和知识感知元学习解决了冷启动问题，并通过实验表明 MetaKG 在效果、效率和可扩展性等方面超过现有的模型。

    Feb, 2022

  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

    Feb, 2019

  • 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

  • 跨领域和跨系统推荐的统一框架

    本文提出了一个名为 GA 的统一框架，它使用图形嵌入和注意力技术来提高所有数据集的推荐精度，包括 Dual-Target CDR，Multi-Target CDR 和 CDR+CSR，实验证明 GA 相比现有的 CDR 和 CSR 算法有更好的表现。

    Aug, 2021

  • 跨领域推荐系统中的双曲知识传输

    本研究介绍了一种名为 HCTS 的新框架，用于捕捉不同领域的独特特征，实现领域间的高效知识传递，并通过将用户和物品分别嵌入不同具有可调节曲率的双曲流形来预测，从而改善目标领域用户和物品的表示。实验结果表明，双曲流形对于跨领域推荐任务是一种有潜力的替代方案。

    Jun, 2024

  • 跨领域推荐系统

    通过将扩展领域的知识转移到目标领域，提出了一种名为 Diffusion Cross-domain Recommendation (DiffCDR) 的新型 CDR 模型，其利用了扩散概率模型 (DPMs) 的概念和映射模块，在冷启动和热启动场景下，在各种 CDR 任务上超过了基线模型的效果。

    Feb, 2024