面向协同过滤的图感知扩散建模
通过提出 CF-Diff 方法,结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器(CAM-AE),克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明,CF-Diff 在三个真实世界数据集上优于基准推荐方法,相对最佳竞争对手的表现可达到 7.29%的显著增益,并确保了计算效率与用户或物品数量呈线性比例。
Apr, 2024
我们提出了一种基于谱图小波的协同过滤框架,用于隐式反馈数据的个性化推荐,通过将用户、物品及其交互表示为一个二分图,利用自适应转换函数和深度推荐模型,来学习用户和物品的低维表示,同时促进推荐质量。实验证明,相比基准方法,我们的模型在真实世界的基准数据集上取得了更好的推荐效果。
Dec, 2023
本文提出了一种基于去噪扩散概率模型的条件生成模型,通过把一个已知的、可求导的正向模型集成到去噪过程中,实现了间接观测信号的采样, 并在三项具有挑战性的计算机视觉任务中进行了验证。
Jun, 2023
提出了一种新颖的图去噪扩散模型,使用氨基酸替代矩阵对扩散过程进行编码,并在多种基准方法中实现了最先进的序列恢复性能,为特定的蛋白质骨架结构生成多样性的蛋白序列具有极大的潜力。
Jun, 2023
我们提出了一种基于扩散的图生成模型,通过定义在离散图空间中操作的节点吸收扩散过程,设计了扩散排序网络和去噪网络,从而实现了更好或相当的生成性能,并且具有快速的生成速度。
Jul, 2023
使用基于评分的扩散推荐模型(SDRM)可以生成逼真的合成数据,用以保护用户隐私或解决数据稀疏的问题,并在替代或增补原始数据时相对其他模型提高了 4.30% 的召回率(Recall@$n$)和 4.65% 的 NDCG@$n$。
Nov, 2023
本研究探究回推协作过滤算法中被反馈循环所影响的用户评分矩阵,提出了衡量推荐系统对其整个评分矩阵影响的度量,并通过合成和实际数据集验证了其在还原固有用户偏好上的可用性。
Mar, 2017