Jun, 2024

当盒子遇见图神经网络时的标签感知推荐

PDF
TL;DR提出了一种新的算法，称为 BoxGNN，通过组合逻辑操作来执行消息聚合，从而融合高阶信号，并通过基于体积的学习目标和 Gumbel 平滑技术来优化盒子的表示。在两个公开数据集和一个 LLM 增强的电子商务数据集上的大量实验验证了 BoxGNN 相对于各种最先进的基线方法的优越性。
tag-aware recommender systemsgeometry-based techniquesbox embeddingmessage aggregationhigh-order neighbor signals
发现论文，激发创造
  • 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

  • 使用知识图谱和兴趣盒嵌入进行推荐

    通过盒子形式的兴趣和概念建模，InBox 推动推荐系统的发展，以实现对知识图谱的复杂利用。

    Mar, 2024

  • 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

  • 面向信息检索的项目标记：基于三分图神经网络的方法

    通过构建一个查询 - 项目 - 标签三元组图和优化完整标签预测和部分标签完成两种情况的标签预测问题，我们提出了一种基于异构图神经网络的 Item Tagging 模型，证明在信息检索方面，该模型的性能优于现有的多标签分类方法。

    Aug, 2020

  • 推荐系统中的图神经网络：综述

    本研究综述了基于图神经网络的推荐系统在最近的研究工作中的应用。针对不同类型的信息和推荐任务，我们提供了 GNN-based 推荐模型的分类。 进一步分析了 GNN 在不同类型数据上应用时面临的挑战，并讨论了现有工作如何解决这些挑战。我们总结了相关的论文及其开源实现。

    Nov, 2020

  • 线性时间图神经网络可扩展的推荐系统

    在信息爆炸时代，推荐系统是为用户提供个性化推荐的重要工具。本文提出了一种线性时间图神经网络（LTGNN）来扩展基于 GNN 的推荐系统，以实现与经典 MF 方法相当的可扩展性，同时保持 GNN 强大的表达能力以获得更准确的预测。通过大量实验证明了所提算法的有效性和可扩展性。

    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

  • 面向新闻推荐的图增强表示学习

    该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

    Mar, 2020

  • 协同信号：通过图神经网络利用协同参与和语义链接

    基于语义的图神经网络（SemanticGNN）是在大规模知识图谱中建模实体、语义概念、协作边和语义边，并对其进行表示学习的一种新颖的图模型，通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。

    Dec, 2023

  • 使用图神经网络学习哈希用于推荐系统

    本文提出基于图神经网络的哈希学习方法，在连续编码和离散编码的联合特征表示空间中实现检索，并使用 STE 和导向策略进行离散优化，实验证明该模型在维持哈希编码相对顺序的同时运行速度较快且性能与其连续编码对应模型无明显差别。

    Mar, 2020