KDDMay, 2024

DFGNN：双频图神经网络用于符号感知反馈

PDF
TL;DR推荐系统中的负反馈在基于图的推荐中被广泛忽视，本研究提出了一种名为 DFGNN 的模型，通过设计双频图滤波器 (DGF) 来捕捉包含正反馈和负反馈的低频和高频信号，并应用有符号图正则化来解决表示退化问题。
graph-based recommendationnegative feedbackgraph neural networksrepresentation degeneration problemdual-frequency graph filter
发现论文，激发创造
  • 面向正负偏好的具有标志感知的推荐统一建模

    我们提出了一种针对推荐系统的新的轻量级有符号图卷积网络（LSGRec），它采用了统一建模方法，在有符号用户 - 物品交互图上同时建模高阶用户的正负偏好，并通过负偏好进行优化，展示了在性能和计算效率方面比现有基线方法更好的结果。

    Mar, 2024

  • 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

  • 协同过滤的频率感知图信号处理

    我们提出了一种频率感知的图信号处理方法（FaGSP），用于协同过滤，它通过设计级联滤波模块和并行滤波模块，结合线性模型，更准确地建模用户偏好，并在预测准确性和训练效率方面展示了优越性。

    Feb, 2024

  • 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

  • 利用正面和负面的隐式反馈进行新闻推荐的去噪神经网络

    本文提出了一种名为 DRPN 的神经网络算法，利用正负隐式反馈来提高推荐性能，并通过降噪模块去除正负隐式反馈中的噪声，实现更好的新闻推荐性能。实验表明 DRPN 在大规模数据集上的表现是最先进的。

    Apr, 2022

  • 图卷积网络中超低频信息的挖掘

    本文研究了利用频率自适应图卷积网络在多种网络任务中，低频信息是否足够应对现实世界中不同场景的问题，提出了一种自门控机制的 FAGCN 来实现信号的自适应集成，并解释了其在不同类型网络上表现优越的原因，在六个实际网络上得到了验证。

    Jan, 2021

  • 神经多网络扩散推荐

    本文提出了一种基于图神经网络的社交推荐模型 NeMo，使用生成式负采样策略并利用正负用户 - 物品交互推广用户兴趣，提高了推荐泛化能力和准确度。实验证明，在各种真实世界的基准数据集上（例如在 NDCG@15 方面高达 38.8%）NeMo 的性能优于现有方法。

    Apr, 2023

  • 去中心化图神经网络的隐私保护推荐

    本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。

    Aug, 2023

  • 图形趋势滤波网络用于推荐

    本文介绍了通过图神经网络进行推荐的方法，并探讨了现有方法的一些缺点，提出一种基于图趋势过滤网络的新方法，以捕捉交互性的自适应可靠性。

    Aug, 2021