Sep, 2024

通过图同构网络增强跨市场推荐系统：个性化用户体验的新方法

HTML
PDF
TL;DR本研究解决了传统跨市场推荐系统在市场特性和数据稀疏性方面的不足，提出了利用图同构网络的CrossGR模型。实验结果显示，该模型在处理不同市场细分时，表现出更高的适应性和准确性，能够为全球电子商务中的个性化推荐提供强有力的支持。
发现论文，激发创造
  • Item Silk Road：从信息领域向社交用户推荐物品

    本文通过提出一种全新的神经社交协同排序方法，解决了信息导向和社交导向领域之间的交叉推荐问题，即如何将信息类型的建议推荐给社交网络的潜在用户，实验证明了该方法的有效性和合理性。

    Jun, 2017

  • 跨域和跨系统推荐的深度框架

    本文提出了一种基于矩阵分解和全连接深度神经网络的深度跨域和跨系统推荐框架DCDCSR，通过考虑不同域或系统中个人用户和项目的评级稀疏度来指导DNN的培训过程，有效利用评分数据，实验结果表明，该框架在推荐准确性方面优于现有的CDR和CSR方法。

    Sep, 2020

  • 利用直播电商的三元交互信息，提高产品推荐效果

    本研究通过数据分析及建模，基于多重双向图解析互动信息，提出了一种新型的直播电商图神经网络框架（LSEC-GNN）以及优化商品推荐的多任务学习方法，并在不同规模的实际数据集上，对比了多种基准方法，表明我们的方法效果显著优于其他方法。

    Jun, 2021

  • 跨领域和跨系统推荐的统一框架

    本文提出了一个名为GA的统一框架，它使用图形嵌入和注意力技术来提高所有数据集的推荐精度，包括Dual-Target CDR，Multi-Target CDR和CDR+CSR，实验证明GA相比现有的CDR和CSR算法有更好的表现。

    Aug, 2021

  • 跨市场产品推荐

    本文收集和发表了一份大数据集，探究了跨市场商品推荐的问题，并提出了FOREC模型来完美利用原始数据集和目标市场数据，致力于提高性能并解决市场适应问题，实验显示比竞争基准线效果更优。

    Sep, 2021

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种Graph Neural Multi-Behavior Enhanced Recommendation (GNMR)框架，它在图形消息传递架构下显式地建模了用户-物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 通过用户兴趣对齐实现跨域推荐

    该研究提出了一种名为 COAST 的新型跨领域推荐框架，通过感知实体之间的跨领域相似性和用户兴趣的对齐来提高双重领域的推荐性能，并使用用户表示和图卷积网络的消息传递机制来捕获用户和项目的高阶相似性，对跨领域推荐算法进行了广泛的实验，并证明 COAST 在多项任务中一致且显著优于同类算法。

    Jan, 2023

  • 基于市场感知的高效跨市场推荐模型

    本文提出了一种基于市场感知的模型（MA models）用于跨市场推荐，在单个目标市场上的实验表明，与无市场感知的模型相比，MA models 的效果更好，且训练时间更加高效，其在全局范围内也表现优秀。

    Feb, 2023

  • 挑战图形协同过滤的神话：理性和可重复性分析

    我们的研究聚焦于图神经网络模型的可复制性，通过复现六种热门的图推荐模型在三个常见基准数据集上的结果来解决原有图模型研究中常采用未经验证结果的问题。此外，我们还将这些图模型与传统的协同过滤模型进行比较，并扩展研究至两个缺乏已建立的设置的新数据集，分析特定数据集特征对推荐准确度的影响，通过研究用户邻域信息流动，旨在识别数据集结构中的内在特征对模型的影响。

    Aug, 2023

  • 跨域推荐的图信号处理

    基于图信号处理的统一的跨域推荐系统 (CGSP) 提供了更好的推荐性能，尤其在交叉用户比例较低的情况下，对于领域内和跨领域的推荐场景都有重要实际意义。

    Jul, 2024