- SIGIR解开基于 Session 的推荐中 ID 和模态效应的影响
提出了一种新的框架 DIMO,通过解开 ID 和模态性在任务中的效应,实现了准确且可解释的推荐,通过因果推断进一步生成两个模板用于解释。
- Re2LLM:面向会话推荐的反思增强型大型语言模型
提出了一种反思性强化大语言模型(Reflective Reinforcement Large Language Model,Re2LLM)用于会话推荐,通过构建知识库来引导大语言模型(LLM)关注专业知识,以实现更准确的推荐。
- 基于路径推理的可解释会话推荐
通过路径推理探索为基于会话的推荐(SR)提供解释能力。通过设计通用的层次强化学习框架 PR4SR,我们提出了一种改进现有 SR 模型的可解释性的方法。实验证明 PR4SR 在推荐和解释任务上的效果更好。
- 与图形会话推荐相结合的大型语言模型的整合
通过将大型语言模型(LLMs)与图神经网络(GNNs)有机地结合为 SBR(基于会话的推荐)任务设计了 LLMGR 框架,旨在提高会话内的项目理解和推荐能力,通过辅助和主要指令调整任务的提示来赋予 LLM 处理图结构数据的能力,通过在三个实 - LLM4SBR:一种轻量且有效的用于在基于会话的推荐中整合大型语言模型的框架
传统会话推荐 (SBR) 使用来自匿名用户的会话行为序列进行推荐。最近,大型语言模型 (LLMs) 在与推荐系统 (RS) 的集成方面取得了巨大的进展。为了解决这些问题,我们提出了面向 SBR 的 LLM 集成框架 (LLM4SBR)。通过 - 通过替代训练增强基于会话的推荐中的 ID 和文本融合
为了解决会话推荐中 ID 模式与文本模式平衡的问题,本研究基于 AlterRec 提出了一种新的训练策略,通过分离 ID 和文本的训练,避免了平衡问题,并设计了一种促进两种模式互相学习和更有效地整合文本的策略。实验证明 AlterRec 在 - 基于 GNN 的会话推荐算法性能比较
在会话推荐设置中,基于图神经网络(GNN)的方法在集成不同类型项目的信息方面表现出色,然而,模型评估和研究方法仍存在问题,简单模型在平均倒数排名和点击率方面优于最近的 GNN 模型,指出会话推荐领域仍有改进空间。
- 利用属性模式增强会话式推荐系统中的用户意图捕获
该研究使用 Frequent Attribute Pattern Augmented Transformer(FAPAT)来改进基于会话的电子商务推荐系统,通过构建属性转换图和匹配属性模式来捕捉用户意图,并在各种评估指标上相比最先进的方法平 - 关于会话推荐中遗忘机制的有效性研究
我们提出了 SRU,这是一个基于会话的推荐系统的遗忘框架,它能够实现高效的遗忘、准确的推荐性能和改善基于会话的推荐中的遗忘效果。我们通过将训练会话分成不同的子模型,并利用基于注意力的聚合层来融合隐藏状态,提出了三种额外数据删除策略,并提出了 - 探究基于会话的推荐系统中的流行度偏见
通过分析 session-based 推荐任务的唯一特性,对倾向性进行独特计算,研究在不同数据集上的倾向性分布和不同分层技术,在推荐系统的大规模离线评估中取得了令人期待的结果。
- 对话式推荐的对比多级图神经网络
本文提出了一种新颖的对比多层图神经网络方法(CM-GNN)来更好地利用复杂和高阶的物品转换信息,并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明,所提出的方法优于现有的会话推荐技术。
- 基于图神经网络的上下文感知会话推荐
CARES 是一种基于图神经网络的新型上下文感知会话推荐模型,利用不同类型的会话上下文来捕捉用户兴趣,通过构建一个多关系跨会话图来连接项目,设计个性化项目表示,以及采用标签协作策略生成软用户偏好分布作为标签,在三个基准数据集上的实验结果表明 - SR-PredictAO: 基于会话的推荐与高性能预测扩展
通过提出 SR-PredictAO 框架和进行广泛的实验,本研究在会话推荐领域中找到了解决现有模型中低能力预测模块的关键问题,并取得了显著的改进。
- KDDAmazon-M2:一个用于推荐和文本生成的多语言多地区购物会话数据集
通过创建 Amazon-M2 数据集,我们提出了一种多语言多地区的购物会话数据集,用于模拟用户行为和偏好,从而帮助提升个性化推荐以及理解用户取向,为进一步的研究和实践带来新的见解。
- 具有分层嵌入和会话属性的虚拟会话推荐
该研究提出了一种基于伪会话的电子商务网站推荐方法 CoHHGN+,该方法在没有用户 ID 和会话 ID 的情况下,使用异构超图和全局图网络来推荐商品,其表现优于其他方法。
- 从用户 - 会话 - 项目的分层结构中学习相似度,用于个性化会话推荐
本文提出了一种基于 Graph Neural Network 的个性化 Session-Based Recommendation 模型,该模型通过建立 UserGraph 并运用对比损失函数和用户嵌入相似性来实现多用户之间信息交互以及提高推 - 面向会话推荐的自对比学习
本研究提出自我对比学习算法,并将其应用于会话推荐问题中,以优化物品表示空间的均匀度和减少模型复杂度,进而实现比之前的算法更好的预测性能。研究证明,该算法不需要额外的采样和数据增强操作,并在三个基准数据集上得到了统计上显著的性能提升。
- SimCGNN: 基于对比的会话推荐简单图神经网络
该研究提出了一种基于对比学习的简单对比图神经网络用于会话推荐,通过获得标准化的会话图嵌入、正负样本的构建和新颖的负样本选择策略,优于现有方法并进行了大量实验验证。
- 推荐系统简介
本文综述了个性化推荐及推荐系统的经典算法,评估方式,以及最近研究的方向:基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。
- 基于用户会话约束的个性化会话推荐异构图神经网络
本文提出了一种利用多样化的注意力网络分析会话间关系,考虑用户信息生成会话表示和用户表示,从而实现改进推荐系统的效果的模型,并在多个真实数据集上取得了优异的性能。