Apr, 2024

多意图对比学习的知识感知多行为推荐

PDF
TL;DR多行为推荐通过基于用户的多样行为（如浏览、加入购物车和购买）提供更准确的选择来优化用户体验。本研究提出一种新颖模型：基于知识感知的多意图对比学习模型（KAMCL），利用知识图谱中的关系构建意图，从意图角度挖掘用户多行为之间的关联，并通过对比学习方案缓解数据稀缺问题，进一步增强用户表示。对三个真实数据集进行广泛实验证明了我们模型的优越性。
multi-behavioral recommendationintentknowledge graphcontrastive learninguser representations
发现论文，激发创造
  • 具有行为多样性的对比元学习推荐

    该研究提出了一种新的模型 CML，即对比元学习，用于处理具有不同类型行为的多行为数据中用户和物品之间的关系，通过对比损失获取可传输知识，以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能，并释放出模型实现。

    Feb, 2022

  • 用于多行为推荐的粗到细知识增强多兴趣学习框架

    本文介绍了一种基于粗细粒度知识增强的多兴趣学习框架，用于在多行为推荐中学习共享和特定的行为兴趣，通过使用两个先进的模块收集和分配相应的行为兴趣，并运用自我关注机制在兴趣层次上将不同的行为信息相互关联。实证结果表明了我们的模型在利用多行为数据方面的效果和效率，以及共享和特定建模范式的鲁棒性和优越性。

    Aug, 2022

  • 基于多意图解耦的序列推荐对比学习方法

    我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。

    Apr, 2024

  • 推荐中的多视角多行为对比学习

    提出一种新的多行为多视角对比学习推荐算法，其中包括三种新的对比学习任务，可解决多行为建模中的挑战，在两个真实数据集的广泛评估和消融测试中，该方法取得了超越现有基线的 SOTA 性能。

    Mar, 2022

  • 序列推荐的意图对比学习

    介绍 Intent Contrastive Learning（ICL）的方法，该方法是一个通用的学习范式，将潜在的用户意图变量纳入 SR 模型，通过自监督学习（SSL）来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明，该学习范式的性能超越了传统方法，同时提高了模型的稳健性。

    Feb, 2022

  • 在 MOOC 中建模平衡的显性和隐性关系，利用对比学习进行知识概念推荐

    基于对比学习的 MOOC 知识概念推荐框架 (CL-KCRec) 能有效地表示和平衡 MOOC 中显式和隐式关系，提高知识概念推荐的性能，并满足用户的个性化需求。

    Feb, 2024

  • 基于多层交叉视图对比学习的知识感知推荐系统

    本文提出了一种新的多层交叉视角对比学习机制 MCCLK，包含三个图视角：全局结构视角、本地合作和语义视角，在语义视角中，还提出了一个 k 最近邻（kNN）项 - 项语义图构建模块，以捕捉通常被忽略的重要项 - 项语义关系，在三个基准数据集上进行了广泛的实验，结果表明了我们的方法优于现有技术。

    Apr, 2022

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 多层交互对比学习在知识感知推荐中的应用

    本文提出了一种基于对比学习的知识感知推荐模型，结合了本地和非本地的知识图谱，并采用层级交互对比学习来提高推荐性能。

    Aug, 2022

  • 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