- SIGIR正面、负面和中性:基于会话的新闻推荐中的隐式反馈建模
研究了匿名用户的新闻推荐问题,提出了一种基于正负反馈的用户行为建模框架,综合考虑用户和文章的观看时间等不同反馈信息,以实现更精确、多样化和出乎意料的推荐效果。
- SIGIR价格很重要:会话式推荐中的价格和兴趣偏好模型
提出了一种名为 Co-guided Heterogeneous Hypergraph Network (CoHHN) 的方法,用于解决会话式推荐中的价格因素问题。它使用异质超图表示异质信息和富有的关系,并使用注意力层提取出用户的价格偏好和兴 - SIGIRCORE:一种简单且有效的基于会话的推荐算法,其使用一致的表示空间
提出了一种名为 CORE 的简单而有效的框架,可以统一编码和解码过程的表示空间,通过采用表征一致的编码器和鲁棒的距离测量方法,以解决在匿名会话中预测下一个项目时由于非线性编码器学习到的会话嵌入通常不在相同的表示空间中而导致的预测不一致问题, - G3SR: 全球图引导的基于会话的推荐
研究了基于 Session 的推荐算法,并提出一种名为 G3SR 的新方法,在两个真实世界的基准数据集上进行了广泛的实验,表明改进后的方法在冷启动情况下比现有的最先进方法取得了显著的并且一致的改进效果。
- 面向会话推荐的过渡关系感知自注意力
研究中提出的 TRASA 方法利用图神经网络,结合自我注意力机制和转换关系,提高了基于会话的推荐的识别能力。
- 基于图弹簧网络和信息锚点选择的基于会话的推荐
本文提出了一种基于会话推荐的 Graph Spring Network 和信息锚点选择模型(GSN-IAS),用于在物品图上学习基于 ID 的物品嵌入,并提出了一种选择信息锚点和编码物品与锚点关系的非监督学习机制。最后,将两次预测进行自适应 - WSDMS-Walk:利用随机游走实现准确可扩展的基于会话的推荐
本论文提出了一种名为 S-Walk 的基于会话的推荐模型,该模型采用随机游走来有效地捕捉会话内和会话间的相关性,并通过采用具有封闭形式解的线性模型来保证其高效,可扩展性和可压缩性,从而适用于大规模商业系统。
- AAAI基于图增强的多任务学习,用于会话推荐中的多层级转移动态
本文提出一种基于多任务学习框架的多层次转移动态方法(MTD), 通过位置感知的注意机制和图结构层次关系编码器,可以在自动和分层的方式下,共同学习会话内和会话间的项目转移动态。
- 基于自监督图形联合训练的基于会话推荐
本文提出了一种基于自我监督图协同训练的框架,结合自我监督学习和共同训练对会话数据进行增强,其在 session-based 推荐模型中的应用表现领先于现有的基于 item/segment dropout 的方法,大大提高了推荐的推荐质量。
- MM电商基于会话的推荐的多模态特征和后融合上下文的 Transformer
本文介绍了 SIGIR 2021 Workshop on E-commerce Data Challenge 中获胜的 Session-based recommendation 算法解决方案,该方案受自然语言处理技术启发,由两个 Trans - 个性化基于 Session 的推荐的异构全局图神经网络
本文介绍了一种基于 Heterogeneous Global Graph Neural Networks 的物品跃迁模型,该模型利用用户历史和当前会话的信息推断用户偏好,从而提供个性化的推荐服务。
- 全局上下文增强的图神经网络用于会话推荐
本文提出了一种新的方法,称为全局上下文增强图神经网络 (GCE-GNN),利用全局图和会话图中的项目转换更精细地推断用户偏好,从而改善了会话推荐,此方法在三个基准数据集上都表现出优异的性能。
- 基于会话的线性物品模型用于推荐
本文提出了简单而有效的线性模型,以考虑会话中前一项序列,以提高会话推荐的质量,并为反映不同角度的会话数据提供了一个广义框架。此外,由于我们的模型可以通过封闭形式的解决方案来解决,因此它们具有可扩展性, 实验结果表明,提出的线性模型在几个真实 - AAAI面向会话推荐的自监督超图卷积网络
本文提出了一种基于超图的卷积网络模型 DHCN,通过建模会话数据为超图并将自监督学习整合到网络的训练中,从而提高了会话推荐任务的准确性。在三个基准数据集上进行广泛实验,证明了该模型在普遍情况下胜过基线模型。
- 会话感知推荐:寻求最先进技术的惊人探索
本篇论文针对会话推荐场景中的个性化推荐问题进行了研究,通过比较不同技术之间的性能,发现基于最近邻的简单技术比最近的神经技术表现更好,并且大多数情况下,考虑长期偏好信息的会话感知模型并不能优于不使用长期偏好信息的方法。
- 长尾式基于会话的推荐
本文提出了一种新的网络架构 TailNet,将项目分类为短头和长尾项目并根据点击频率确定用户偏好,以软调整和个性化推荐,以提高长尾推荐的性能,同时保持与其他方法的竞争精度性能相当,通过两个真实世界数据集的广泛实验验证了我们方法的优越性。
- ADER:面向基于会话推荐的持续学习的自适应蒸馏典型回放
提出一种基于例子回放的方法,名为自适应蒸馏例子回放(ADER),用于处理神经模型中的灾难性遗忘问题,以应对连续学习的挑战,实验证明该方法优于其他基线方法,并展示了其成为构建更真实和可扩展的基于会话的推荐器的有希望的解决方案。
- 基于全局属性图神经网络的流式基于会话推荐
该论文提出了一种基于全局属性图神经网络模型和 Wasserstein 储水池的 SSR 问题解决方案,用于处理流式推荐问题,实验结果表明,与现有最先进的方法相比,该模型表现更加优异。
- ICML基于循环神经网络的混合式基于会话的新闻推荐
本文介绍了一种基于混合元架构的会话式新闻推荐模型 —— 变色龙。该模型利用循环神经网络来整合多种信息类型,并采用了一种模拟新闻门户网站的动态评估策略。实验结果表明,与其他基于会话的推荐算法相比,采用循环神经网络模型和利用用户和文章的辅助信息 - 再思考基于 Session 的推荐系统中的物品重要性
本文提出了一种基于会话的推荐方法,利用重要性提取模块 SR-IEM 考虑用户的长期和最近行为,并使用修改的自我注意机制估计会话中每个项目的重要性,进而组合用户的长期喜好和当前兴趣进行物品推荐。实验结果显示,该方法在召回率和 MRR 方面优于