Oct, 2023

GNN-GMVO：面向相似商品推荐的图神经网络优化总商品价值

PDF
TL;DR这篇论文介绍了一种名为 GNN-GMVO（Graph Neural Network - Gross Merchandise Value Optimizer）的新型 GNN 架构，旨在通过考虑物品之间复杂的关系并直接优化 GMV 来解决电子商务系统中的类似物品推荐问题。通过在三个实际数据集上进行全面实验，与一些最先进的基准模型相比，我们的模型在预测性能和预期 GMV 方面展现出更好的表现。
similar item recommendationgraph neural networksgross merchandise valueedge relationsitem-item relationships
发现论文，激发创造
  • 电商搜索中基于全局优化互影响意识的排名

    提出全局优化框架，实现对电子商务搜索中商品的排名，具体包括了相互影响的采购概率预测和排名任务，得出有关 GMV 的优化结果。

    May, 2018

  • 用于学习图结构对象相似性的图匹配网络

    本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

    Apr, 2019

  • 时尚推荐：使用 GNN 的服装搭配

    利用图神经网络分析时尚产业的机器学习应用，评估 Polyvore 数据集中的衣着搭配和商品推荐准确性，并比较两种现有模型在任务完成和兼容性预测上的性能。我们发现 Hypergraph Neural Network 在两个任务上稍微具有更好的性能，并尝试使用视觉转换器生成的嵌入向量以提高预测准确性。

    Apr, 2024

  • 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

  • 使用图神经网络学习家具兼容性

    本研究提出了一种基于图神经网络（GNNs）的方法，通过图结构捕捉家具家庭的内在关系，进而预测家具套装的风格是否兼容，并在 Bonn 和 Singapore 家具数据集上展示了最先进的预测精度。

    Apr, 2020

  • LightSAGE：Shopee 广告推荐中的大规模商品检索的图神经网络

    在 Shopee 的大规模电子商务商品检索中，我们采用了图神经网络（GNN）及其简单但创新且有影响力的技术，包括图构建、建模和处理数据偏斜，以提高离线评估和在线 A/B 测试，并将模型部署到 Shopee 推荐广告系统的主要流量中。

    Oct, 2023

  • 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

  • SimGNN：一种快速图相似度计算的神经网络方法

    本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

    Aug, 2018

  • MAGNOLIA: 基于 GNN 的在线价值逼近匹配算法

    在线贝叶斯二分匹配问题是数字市场和交易所中的一个核心问题，我们引入了一种图神经网络（GNN）方法，模拟了该问题的组合复杂的最优在线算法，通过计算每个动作的 VTG（value-to-go）来选择动作（例如，匹配哪些节点），然后在未来以最佳方式行动。我们训练了一个 GNN 来估计 VTG，并从实证上显示，这个 GNN 在各种任务中返回高权重的匹配。此外，我们在空间众包应用中鉴定了一类常见的图分布，例如拼车，其中 VTG 可以通过在图中的局部邻域内聚合信息进行有效的近似。这种结构符合 GNN 的局部行为，为我们的方法提供了理论上的依据。

    Jun, 2024

  • MVIN：学习多视角推荐物品

    本文提出了多视图项网络 (MVIN) 模型，利用知识图谱来解决推荐系统冷启动和稀疏性问题，并通过 GNN 学习特征，从用户视角和实体视角的混合视角描述每个项，结果表明 MVIN 模型在三个真实世界数据集上显著优于现有方法，并且其混合图层在邻域信息聚合中发挥了至关重要的作用。

    May, 2020