Mar, 2024

推荐的双通道复用图神经网络

PDF
TL;DR介绍了一种新的推荐框架，Dual-Channel Multiplex Graph Neural Network (DCMGNN)，以解决现有推荐方法在建模行为模式和处理多重关系时的不足，实验证明该模型在真实数据集上的性能优于最先进的推荐方法。
recommender systemsbehavior patternsmultiplex relationsgraph neural networkreal-world datasets
发现论文，激发创造
  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 多行为推荐的图元网络

    通过引入多行为的模式建模到元学习范式中的多行为推荐框架，可以提高推荐性能。

    Oct, 2021

  • 通过记忆增强变压器网络进行多路行为关系学习推荐

    该研究旨在解决当前推荐系统仅考虑用户与物品的单一交互类型，无法识别具有复合行为关系的交互信号的问题，通过提出使用记忆 - 增强变压器网络（MATN）的方法实现多重行为关系信息推荐。经过实验证明，该方法在两个基准数据集和真实世界的电子商务用户行为数据方面均取得了显著的改进。

    Oct, 2021

  • 多图神经网络学习跨领域表示

    本文提出了一种名为 Deep Multi-Graph Embedding (DMGE) 的新颖模型，它使用图神经网络和多源数据学习，以适应大规模项目内嵌物的数据稀疏性问题和领域间信息迁移问题。实验结果表明，DMGE 比其他现有的嵌入方法在各种任务中表现更好。

    May, 2019

  • 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

  • 多行为推荐的超级元路径对比学习

    本篇论文提出了在推荐系统中使用超级元路径和图形对比学习的框架来解决多行为信息下的用户购买预测问题，并在广泛的比较实验中，显著优于所有基线方法。

    Sep, 2021

  • 线性时间图神经网络可扩展的推荐系统

    在信息爆炸时代，推荐系统是为用户提供个性化推荐的重要工具。本文提出了一种线性时间图神经网络（LTGNN）来扩展基于 GNN 的推荐系统，以实现与经典 MF 方法相当的可扩展性，同时保持 GNN 强大的表达能力以获得更准确的预测。通过大量实验证明了所提算法的有效性和可扩展性。

    Feb, 2024

  • 序列推荐的记忆增强图神经网络

    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

  • 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

  • 基于图神经网络的推荐系统聚合优化的双策略学习

    本文中，我们提出了一种新颖的强化学习消息传递框架 DPAO（双策略框架优化聚合），用于推荐系统中的高阶连通性聚合。该框架通过使用双策略学习以及两个 Deep-Q-Network 模型，从 GNN-R 中利用用户和项目感知反馈来提高目标 GNN-R 的性能，在 6 个真实世界数据集上对其进行了评估，结果显示我们的框架显著增强了最近的基础模型，nDCG 和召回率分别提高了多达 63.7％和 42.9％。

    Feb, 2023