精确推荐的端到端图序列表示学习
本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks),通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图,并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作,从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明,相比最先进的方法,该方法在公共和专有数据集上都达到了显著的性能提升,并且在序列长度方面也表现出了高效和有效的建模能力。
Jun, 2021
本文提出了一种新的基于会话图的推荐模型,该模型通过构建会话图,并协同考虑序列顺序和会话图的潜在顺序,将下一个项目推荐问题建立为图分类问题,并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集,Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。
Nov, 2019
我们提出了一种名为自我监督图神经网络(SelfGNN)的新型框架,用于顺序推荐。该框架通过时间间隔对短期图进行编码,并利用图神经网络(GNN)学习短期协作关系。它通过间隔融合和动态行为建模,在多个粒度级别捕捉长期用户和物品表示。我们的个性化自增强学习结构通过根据长期用户兴趣和个人稳定性减轻短期图中的噪声,增强了模型的鲁棒性。广泛的实验证明,SelfGNN 优于各种最先进的基线模型。
May, 2024
该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法,可以通过对历史用户点击行为的图谱表达用户和新闻相关性,进而学习用户和新闻的表征,实现个性化推荐。
Mar, 2020
提出了一种名为 DGSR 的新方法,它通过连接不同的用户序列来探索用户和项之间的交互行为,从而将顺序推荐中的下一个项目预测任务转化为动态图中用户节点和项目节点之间的链接预测,实验证明该方法优于几种最先进的方法。
Apr, 2021
这篇论文提出了一种名为动态序列图学习(DSGL)的新方法,通过利用用户或物品相关的本地子图的协同信息来增强用户或物品的表示,以预测点击率。DSGL 使用底部向上的方法在动态顺序图中进行图卷积操作,设计了一个考虑时间信息和时间依赖性的时态序列编码层,并提出了一个目标 - 偏好双重注意层,以搜索与目标相关的行为部分并减轻来自不可靠邻居的噪声。实验结果表明,DSGL 方法可以提高 CTR 预测的准确性。
Sep, 2021
提出了一种基于时间顺序的用户行为建模方法,通过融合顺序模式和时间合作信号,并采用 TCT 层和连续时间二分图,设计了一种新的框架 (Temporal Graph Sequential Recommender),该模型有效提高了推荐质量。
Aug, 2021
提出了一种记忆增强图神经网络 (MA-GNN),用于解决顺序推荐系统中的挑战,包括建模短期和长期用户兴趣、有效建模项目共现模式等,模型在五个真实数据集上得到了验证并进行了比较。
Dec, 2019
该文提出了一种新的推荐框架,名为序列推荐的图对比学习(GCL4SR),它使用一种称为加权项目转换图 (WITG)的模型,建立在所有用户的交互序列上,通过使用 WITG 子图来增强每个交互序列的表示和最大化同一交互序列引导的增强表示之间的一致性,最小化 WITG 全局上下文引导的增强表示和原始序列本地表示之间的差异,并在真实世界数据集上展示显着优于现有方法的性能。
May, 2022