Nov, 2023

一种面向社交的高斯预训练模型，用于有效的冷启动推荐

PDF
TL;DR我们提出了一种名为 SGP 的推荐模型，它在预训练阶段使用图神经网络（GNN）对用户的社交关系和互动数据进行编码，并在后续的微调阶段采用高斯混合模型（GMM）来对这些预训练嵌入进行分解，从而使冷启动用户受益于这些预先建立的社交关系。我们在三个公开数据集上进行了广泛的实验，结果表明，与 16 个竞争基线相比，我们的 SGP 模型在 NDCG@10 方面的性能提升高达 7.7%。此外，我们证明了 SGP 能够有效缓解冷启动问题，特别是当用户通过朋友的推荐新注册系统时。
发现论文，激发创造
  • 为冷启动用户和物品预训练图神经网络的表示

    通过预训练 Graph Neural Networks 模型来解决冷启动问题，采用元聚合器和自适应邻居采样器来增强图卷积的聚合能力和选择有效邻居，实验结果表明在用户 / 项目嵌入推断和推荐任务方面优于原始的 GNN 模型。

    Dec, 2020

  • 利用属性图神经网络解决推荐中的冷启动问题

    本研究提出了一种基于属性图的新型神经网络框架，通过学习不同形态属性之间的分布，可以为冷启动用户 / 物品生成偏好嵌入，同时提出了 gated-GNN 对不同属性进行有效聚合，实验结果表明，在冷启动推荐中取得了显着的改进，并且在温热启动情况下表现优异。

    Dec, 2019

  • 基于图神经网络的联邦社交推荐

    本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

    Nov, 2021

  • 多任务物品 - 属性图预训练在严格冷启动物品推荐中的应用

    本研究提出使用基于内容和历史数据的多任务学习训练知识性物品 - 属性图的冷启动推荐框架，以改善冷启动场景下推荐系统的性能。

    Jun, 2023

  • 基于知识的耦合图神经网络的社交推荐

    该研究提出了一种知识感知的耦合图神经网络模型，用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题，实验结果表明该方法在多种情境下有效益。

    Oct, 2021

  • 预训练推荐系统：因果去偏见观点

    通过训练泛域用户 - 物品交互数据，我们提出了一个适应性泛型推荐系统，该系统能够捕捉通用交互模式，并能在不同领域中快速适应以提高零样本和少样本学习性能。然而，不同领域的推荐数据存在域内和跨域偏差，我们通过引入因果去偏视角和预测模型 PreRec 有效克服了这一挑战，实证结果表明在跨市场和跨平台场景下，该模型能显著提升推荐性能。

    Oct, 2023

  • 利用分层图神经网络增强全局上下文的社交推荐

    本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

    Oct, 2021

  • UPRec: 面向用户的推荐系统预训练

    本文提出了一种名为 UPRec 的方法，通过构建自监督任务来利用用户属性和结构化社交图形，并将用户信息整合到预训练模型中，为用户提供更合适的推荐。

    Feb, 2021

  • 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

  • 面向临时群体推荐的自监督图学习

    提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

    Dec, 2021