图变分嵌入协同过滤
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
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
本文提出可变图自编码器 (VGAE) 框架,用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量,能够学习图的可解释的潜在表示。在引文网络的链接预测任务中,我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比,我们的模型可以自然地融入节点特征,从而在许多基准数据集上显著提高预测性能。
Nov, 2016
本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法,通过构建多部分图来表示复杂的交互模式,并进一步使用图卷积网络(Graph Convolutional Networks)提高推荐系统的表现。
Mar, 2021
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
本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法,实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。
Jul, 2018
本研究提出一种基于 VAE 的非线性概率模型,用于解决协作过滤问题,相对于现有的线性因子模型,具有更强的建模能力,并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现,并对使用多项式分布作为似然函数进行了比较实验,分析了使用贝叶斯方法的优缺点及适用场景。
Feb, 2018
本文中我们提出了一种基于循环神经网络的变分自编码器模型,用于建模用户偏好,并且通过处理时间信息以改善精度。我们的模型可以捕捉用户消费序列中的时间依赖关系,并保持变分自编码器的基本特征。
Nov, 2018
本论文提出了一个新颖的针对极化网络的无监督算法,能够识别潜在维度、将用户和内容项目结合到一个合适的解缠结的潜在空间中,并且能够定量权衡他们在意识形态上的倾向,探究他们在问题上的立场,是一个在用户聚类错误降低 10.5%,提高 12.1%的 F1 得分,同时与监督模型产生可比较的结果的模型。
Oct, 2021