推荐系统论文
你不定积分没加C�
这个作者很懒,什么都没留下…
展开
-
Memory Augmented Graph Neural Networks for Sequential Recommendation翻译
论文下载地址:https://arxiv.org/abs/1912.11730 摘要 在许多推荐系统中,用户-物品交互的时间顺序可以反映用户行为的时间演化和顺序。用户将与之交互的项可能取决于过去访问的项。然而,随着用户和项目的大量增加,序贯推荐系统仍然面临着不小的挑战:**(1)短期用户兴趣建模的难度;(2)获取长期用户兴趣的难度;(3)项目共现模式的有效建模。**为了解决这些挑战,我们提出了一个内存增强图neual网络(MA-GNN)来同时捕捉长期和短期用户兴趣。具体地说,我们应用一个图神经网络来建模短期原创 2020-05-30 13:27:40 · 2076 阅读 · 0 评论 -
GNN-图神经网络 Gragh-Neural-Net浅析
为什么我们要使用GNN来做(改进)推荐系统模型? 由于推荐系统的高实际价值,越来越多的研究人员开始提出基于会话的推荐方案。 基于马尔可夫链的推荐系统:该模型基于用户上一次的行为来预测用户的下一次行为,然而由于强独立性相关假设,该模型的预测结果并不十分准确。 基于循环神经网络(RNN)的推荐系统:相比于传统的推荐问题,基于会话的推荐问题的不同点在于如何利用用户的短期会话交互信息数据来预测用户可能会感...原创 2020-04-29 14:30:27 · 364 阅读 · 0 评论 -
【SR-GNN】Session-based Recommendation with Graph Neural Networks详解
结构图: 首先,将所有会话序列建模为定向会话图,其中每个会话序列可以作为子图处理。然后依次处理每个会话图,通过门控图神经网络得到每个图中所有节点的潜在向量。然后,我们将每个会话表示为全局首选项和用户当前对该会话的兴趣的组合,其中这些全局和本地会话嵌入向量都由节点的潜在向量组成。最后,对于每个会话,我们预测每个条目成为下一个单击的概率。在真实数据集上进行的大量实验证明了该方法的有效性。 开源代码在...原创 2020-04-27 17:15:37 · 1923 阅读 · 0 评论