基于谱变换的方法提出设计 JGCF, 该方法有效地处理稀疏数据集与冷启动用户,并在四个公共数据集上实验表明其在阿里巴巴 - iFashion 等数据集中的性能最高可带来 27.06% 的性能提升
Jun, 2023
本文通过图信号处理的角度,研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论,提出了基于图卷积的统一框架,证明了现有的许多 CF 方法都是这个框架的特例,包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等,提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型,在三个知名数据集上实验表明,GF-CF 与基于深度学习的方法相比性能更强,在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。
Aug, 2021
本文提出了一个基于图卷积的推荐框架,名为 Multi-GCCF,该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图,并在双分图上执行图卷积,在四个公共基准测试中取得较显著的改进,证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。
Jan, 2020
本文提出了一种新的图矩阵和用户 - 项目交互矩阵的设计方法,将用户 - 用户、项目 - 项目相关性以及用户 - 项目交互数量平衡考虑在内,提高了高阶协同信号的捕获质量,推荐效果显著提升。
Apr, 2023
提出了算法方法加速矩阵分解,通过观察矩阵特征的细粒度结构稀疏性,重新排列特征矩阵并修剪不显著的潜在因素,实现了乘法和更新过程中的动态剪枝操作,加速了推荐系统中矩阵分解的训练过程。
Mar, 2024
为了应用 Graph Convolutional Network 到大规模图上,我们提出了一种 Low-pass Collaborative Filter 算法来清除噪声并降低计算复杂度,实验结果表明这种算法可以有效提高图卷积的效果和效率。
Jun, 2020
本研究探讨了建议系统中协同过滤、图卷积网络、物品相似性模型、图采样策略和图分区等方面,并提出了一种使用新的数据增强策略的新型物品相似性模型以提高效率。实验结果表明,该模型在性能上优于现有的 GCN 模型和物品相似性模型。
Jul, 2022
提出了一种新的自我监督推荐框架 HCCF,它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系,结合超图结构编码和自我监督学习来增强推荐系统的表示质量,并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。
Apr, 2022
研究了协同过滤方法中用户和商品之间的图模型,提出了一种新的多组件图卷积协同过滤算法 (MCCF),旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块,设计了一种新的方式以获得对用户消费行为的高精度预测,实验结果表明,该算法不仅在三个真实数据集上表现优异,而且还证明了考虑多个组件的必要性。
Nov, 2019
本文提出了一种基于图卷积神经网络的社交推荐模型,通过捕捉信息在社交网络中的扩散进程来影响用户偏好,使得模型在两个真实数据集上展现出了很好的性能。
Nov, 2018