RecDiff: 社交推荐的扩散模型
本文提出了 DiffNet++ 算法,结合社交网络与兴趣网络,通过三个方面迭代聚合用户嵌入,设计了多级注意力网络,有效地解决了社交推荐中数据稀疏问题。
Jan, 2020
使用基于评分的扩散推荐模型(SDRM)可以生成逼真的合成数据,用以保护用户隐私或解决数据稀疏的问题,并在替代或增补原始数据时相对其他模型提高了 4.30% 的召回率(Recall@$n$)和 4.65% 的 NDCG@$n$。
Nov, 2023
通过提出 CF-Diff 方法,结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器(CAM-AE),克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明,CF-Diff 在三个真实世界数据集上优于基准推荐方法,相对最佳竞争对手的表现可达到 7.29%的显著增益,并确保了计算效率与用户或物品数量呈线性比例。
Apr, 2024
本研究提出了一种新颖的解缠式对比学习框架,名为 DcRec,该框架可以从物品和社交领域中学习解缠式用户表示,并在社交推荐中进行知识转移。实验证明,该模型在各种真实世界数据集上具有优越性。
Aug, 2022
使用神经模型通过条件扩散框架来恢复掩盖的反馈,在隐式反馈数据上实现了前向扩散,利用图傅里叶变换在图谱域中等效地表征模型,并在一个数据集上大幅超越最先进的方法,并在其他数据集上获得有竞争力的结果。
Nov, 2023
本文提出了一种名为 R2-Diff 的基于图像的运动预测方法,其中运动数据是从数据集中检索出的,通过调整模型超参数进行细化,并通过基于图像特征的检索方式来检索最近邻居运动。实验结果表明,R2-Diff 可以精确地预测适当的运动并在机器人操作中取得高任务成功率。
Jun, 2023
本文提出了 RecFusion,它包含一组扩散模型,用于推荐。我们在一个一维向量上制定了扩散并提出了二项式扩散,它用伯努利过程明确地建模了二元用户 - 项目交互。我们展示了 RecFusion 在核心推荐设置(二元非顺序反馈的 top-n 推荐)和最常见的数据集(MovieLens 和 Netflix)上接近于复杂 VAE 基线的性能。我们所提出的针对 1D 和 / 或二元设置的扩散模型具有医学领域 MRI 和 CT 扫描等超越推荐系统的含义。
Jun, 2023
本文介绍了 DSCF,一种新型的深度社交协同过滤框架,通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战,包括利用用户 - 项目交互和社交网络信息进行深度学习,使用邻居的信息并考虑特定推荐情况,以及了解邻居对项目的不同意见对用户的影响等,实验证明该框架的有效性。
Jul, 2019