May, 2024

学习非活跃用户推荐的社交关系图

PDF
TL;DR本文提出了一种名为 LSIR（学习非活跃用户社交图推荐）的新颖社交推荐方法，通过学习最优社交图结构，尤其针对非活跃用户，优化了推荐效果，并且通过去除噪声边、增加新边和模仿学习等技术进一步提升了模型构建。实验结果表明，LSIR 在非活跃用户推荐中 NDCG 指标上取得了高达 129.58% 的显著改善。
发现论文，激发创造
  • 基于图学习的推荐系统综述

    本文回顾了基于图学习的推荐系统，特别是讨论了如何从基于图的表示中提取重要的知识来提高推荐的准确性、可靠性和可解释性。

    May, 2021

  • 自监督元图 Informax 网络的社交推荐

    该研究提出了一种利用社交网络信息进行协同过滤推荐的方法，通过设计元路径引导的异构图神经网络和自监督图协同过滤来建立用户偏好表示，以探索全局协作关系和基于图拓扑的同构变换性质，实现对用户行为四面八方的评估。实验结果表明，在多种实际数据集上，该方法优于其他各种最先进的推荐方法。

    Oct, 2021

  • GraphSAIL: 用于推荐系统的图结构感知增量学习

    本文提出了一种基于图神经网络的推荐模型增量学习框架 GraphSAIL，可以显著减少计算时间并提供更频繁的推荐更新，同时保留用户 / 物品的长期偏好，并通过在训练期间显式地保留每个节点的局部和全局结构以及自我信息来实施图结构保护策略。在两个公共数据集上的实验表明，相对于其他增量学习技术，GraphSAIL 可以显著提高推荐系统的性能。此外，在大规模工业数据集上，该框架也得到了验证。

    Aug, 2020

  • 通过知识图谱增强的强化学习交互式推荐系统

    本研究探讨了在交互式推荐系统中，如何使用知识图谱来解决强化学习中的样本效率问题以及用户反馈稀疏问题，具体包括引导候选项选择，增强项和用户状态的表示和传递用户偏好。实验结果表明，该方法具有显著的改进优势。

    Jun, 2020

  • 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

  • 基于图神经网络的联邦社交推荐

    本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

    Nov, 2021

  • 神经图协同过滤

    本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

    May, 2019

  • 交互式图卷积滤波

    提出了一种名为 “交互图卷积过滤模型” 的新颖方法，通过扩展交互式协同过滤到图模型中，增强用户和物品之间的协同过滤性能，同时采用变分推断技术解决非线性模型的计算难题，以及采用贝叶斯元学习方法有效解决冷启动问题，并对该方法建立理论上的遗憾界限，确保其稳健性能。在三个真实数据集上的广泛实验结果验证了该方法的优越性。

    Sep, 2023

  • 社交推荐的神经影响扩散模型

    该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

    Apr, 2019

  • 面向推荐系统中多方面社会影响的深度潜在表示的双图关注网络

    本文提出了一个新的社交推荐模型，使用双重图注意力网络来协同学习两种社交效应的表示，并在上下文中使用基于策略的融合策略来提高推荐精度。

    Mar, 2019