基于 GNN 的会话推荐算法性能比较
该论文提出了一种名为 SR-GNN 的新型方法,基于图神经网络来对会话进行建模,并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合,从而提高了会话推荐的准确率。
Nov, 2018
该研究介绍了针对会话推荐的 RNN 模型的新型排名损失函数,与其他方法相比,这些损失函数表现出更好的性能,并且可以通过进一步细化和改进,实现相对于先前的 RNN 解决方案提高了 35% 的 MRR 和 Recall @20,比经典的协作过滤方法提高了 53% 的性能。
Jun, 2017
本文通过比较十二种算法,探讨了基于会话的推荐领域的最新进展和神经网络方法的现状,发现在大多数情况下,基于最近邻算法的简单启发式方法更优,而且经过用户研究表明这些推荐方法得到了用户的认可。
Oct, 2019
本文提出了一种基于图神经网络 (Full Graph Neural Network, FGNN) 以及广联跨时加工 (Broadly Connected Session, BCS) 的新型会话 (session) 推荐算法,旨在更好地捕捉复杂的物品依赖关系和跨时信息。在 Yoochoose 和 Diginetica 等两个电子商务基准数据集上广泛测试,实验结果表明,与现有会话推荐模型相比,该算法具有优异的性能。
Jul, 2021
本文提出了一种新的基于评论信息的图神经网络方法 (RI-GNN),用于改善 SBRs 中的物品之间的依赖关系,从而提高基于会话的推荐性能。实验证明,RI-GNN 优于目前已有的 SOTA 方法。
Jan, 2022
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
本研究探讨使用循环神经网络 (RNNs) 进行基于会话的推荐任务,并提出了数据增强和考虑输入数据分布变化的方法,同时通过实验证明使用通用蒸馏和直接预测项目嵌入的新模型相对于传统模型在 RecSys Challenge 2015 数据集上分别在 Recall@20 和 Mean Reciprocal Rank@20 指标上改进了 12.8% 和 14.8%。
Jun, 2016
本文提出了一种新颖的对比多层图神经网络方法(CM-GNN)来更好地利用复杂和高阶的物品转换信息,并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明,所提出的方法优于现有的会话推荐技术。
Nov, 2023