Jun, 2024

基于压缩图神经网络的在线服务高效用户序列学习

PDF
TL;DR学习用户行为序列的表示对于各种在线服务至关重要，本文介绍了一种名为 ECSeq 的新型统一框架，该框架利用图压缩技术来改善用户序列表示学习的效率问题，并在序列分类和回归任务中展示了 ECSeq 的有效性。
user behavior sequencesgraph neural networksgraph compression techniquesrelation modelingecseq
发现论文，激发创造
  • 自我学习图神经网络用于顺序推荐

    我们提出了一种名为自我监督图神经网络（SelfGNN）的新型框架，用于顺序推荐。该框架通过时间间隔对短期图进行编码，并利用图神经网络（GNN）学习短期协作关系。它通过间隔融合和动态行为建模，在多个粒度级别捕捉长期用户和物品表示。我们的个性化自增强学习结构通过根据长期用户兴趣和个人稳定性减轻短期图中的噪声，增强了模型的鲁棒性。广泛的实验证明，SelfGNN 优于各种最先进的基线模型。

    May, 2024

  • 精确推荐的端到端图序列表示学习

    该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

    Mar, 2024

  • 利用图神经网络学习基因组序列表示在 De Bruijn 图上的应用

    基于同源图网络编码器和节点相似性构建正样本，我们提出了融合上下文信息和结构信息的 k-mer 嵌入方法，用于鲁棒的序列表示，从而在编辑距离近似和最接近字符串检索任务中，始终优于先前技术。

    Dec, 2023

  • 序列推荐的记忆增强图神经网络

    提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

    Dec, 2019

  • 基于图神经网络的顺序推荐

    本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks)，通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图，并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作，从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明，相比最先进的方法，该方法在公共和专有数据集上都达到了显著的性能提升，并且在序列长度方面也表现出了高效和有效的建模能力。

    Jun, 2021

  • 门控图神经网络实现的图到序列学习

    提出了一种新的神经网络模型结合 Gated Graph Neural Networks 和输入转换解决了线性化启发式和参数爆炸问题，可以对 AMR 图和基于语法的神经机器翻译进行生成，实验结果表明该模型优于强基线模型。

    Jun, 2018

  • DeepSeq: 深度串联电路学习

    本文提出了一种专为时序电路设计而设计的 DeepSeq 电路表示学习框架，其中包括了一个带有定制传播方案的图神经网络（GNN）以及双任务训练目标和双注意力聚合机制，实验结果表明 DeepSeq 在时序电路学习中表现更优异。

    Feb, 2023

  • 使用图神经网络进行语音情感识别的表征学习

    本论文采用基于余弦相似度的图卷积神经网络 (CoGCN) 框架来进行情感识别的表达学习，该方法对于噪声和扰动具有鲁棒性，只需使用 1/30 的参数即可获得与最先进的方法相当的结果。

    Aug, 2022

  • 使用精确压缩学习图神经网络

    本文研究采用精确压缩的方式，将图神经网络（GNNs）学习问题转化为等价的压缩 GNNs 学习问题，以减少在大型图上学习 GNNs 时 GPU 等内存有限设备的存储需求，实验表明可以在现实世界的图上获得可观的压缩比。

    Apr, 2023

  • 基于注意力神经网络的图到序列学习

    本论文提出了一种新颖的通用端对端图到序列神经编解码模型，该模型使用改进的基于图神经网络的聚合策略产生节点和图嵌入，引入了注意机制，实现了更好地处理大型图，并在多项任务中取得了最先进的性能，显著优于现有的图神经网络、Seq2Seq 和 Tree2Seq 模型。

    Apr, 2018