Nov, 2023

缓解多行为图协同过滤中的行为数据不平衡

PDF
TL;DR通过消息传递在用户 - 物品交互图上学习用户和物品表示的图协同过滤已被证明有效地增强推荐性能。然而，大多数当前的图协同过滤模型主要在单一行为域（例如点击）上构建交互图，尽管用户在现实世界的平台上展示了各种类型的行为，包括点击、购物车和购买等操作。此外，由于用户参与度的变化，不同类型行为之间存在不平衡。为了解决行为不平衡问题并同时利用来自多个行为图的信息以提高目标行为转化（例如购买），本文提出了一个简单而有效的模型 IMGCF，用于减轻多行为图协同过滤的行为数据不平衡问题。具体而言，IMGCF 利用多任务学习框架在多行为图上进行协同过滤。然后，为了解决数据不平衡问题，IMGCF 通过利用从具有大量数据量的行为域中学到的表示来改进稀疏行为的表示学习。对两个广泛使用的多行为数据集的实验证明了 IMGCF 的有效性。
发现论文，激发创造
  • 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

  • 多组分图卷积协同过滤

    研究了协同过滤方法中用户和商品之间的图模型，提出了一种新的多组件图卷积协同过滤算法 (MCCF)，旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块，设计了一种新的方式以获得对用户消费行为的高精度预测，实验结果表明，该算法不仅在三个真实数据集上表现优异，而且还证明了考虑多个组件的必要性。

    Nov, 2019

  • 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

  • 用于多行为推荐的粗到细知识增强多兴趣学习框架

    本文介绍了一种基于粗细粒度知识增强的多兴趣学习框架，用于在多行为推荐中学习共享和特定的行为兴趣，通过使用两个先进的模块收集和分配相应的行为兴趣，并运用自我关注机制在兴趣层次上将不同的行为信息相互关联。实证结果表明了我们的模型在利用多行为数据方面的效果和效率，以及共享和特定建模范式的鲁棒性和优越性。

    Aug, 2022

  • 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

  • 解缠绕的图协同过滤

    该研究提出了一种基于图模型的新方法 ——Disentangled Graph Collaborative Filtering（DGCF），用于在用户意图的更细粒度的层次上进行用户 - 物品关系建模和表示学习，以解决现有协同过滤方法中用户兴趣多样性建模的问题，并实现优于几种最先进的模型的结果。

    Jul, 2020

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 多行为推荐的图元网络

    通过引入多行为的模式建模到元学习范式中的多行为推荐框架，可以提高推荐性能。

    Oct, 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

  • 基于图的行为感知交互新闻推荐

    本研究提出了一种基于行为感知的图形网络，同时考虑六种不同类型的行为以及用户对新闻多样性的需求，使用 DeepWalk 提取实体语义，建立了一个基于图形的卷积神经网络来学习新闻的表示，以及一个基于关注力的 LSTM 来学习行为序列的表示，成功地将新闻推荐给不同程度集中度的不同用户。

    Nov, 2018