Jun, 2024

RecDiff: 社交推荐的扩散模型

PDF
TL;DR社交推荐是一种利用用户之间的社交连接，如在线社交平台中观察到的关注和朋友关系，增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff，通过在压缩和稠密的表示空间中进行多步噪声扩散和去除，识别和消除用户表示中的噪声，从而显著提高推荐准确性。实验证明了该框架在推荐准确性、训练效率和去噪效果方面的优越性。
发现论文，激发创造
  • DiffNet++：面向社交推荐的神经影响和兴趣扩散网络

    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

  • 隐私敏感推荐系统的多分辨率扩散

    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

  • 基于扩散模型的协同过滤：揭示高阶连接的潜力

    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

  • 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

  • 社交推荐的解耦对比学习

    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

  • 面向协同过滤的图感知扩散建模

    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

  • 基于图像的动作预测的检索运动的精炼扩散去噪 - R2-Diff

    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

  • 基于二项式扩散过程的一维数据推荐算法 RecFusion

    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

  • PSDiff：一种基于迭代和协作优化的人物搜索扩散模型

    基于扩散模型的 PSDiff 的人物搜索框架能够通过协同去噪的方式优化检测和重新识别子任务，取得了超越现有方法的最先进性能。

    Sep, 2023

  • 深度社交协同过滤

    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