ICDE2020|图卷积网络在价格感知推荐中的应用

最新推荐文章于 2023-04-20 20:58:50 发布
VIP文章 最新推荐文章于 2023-04-20 20:58:50 发布
阅读量504 收藏 2
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hestendelin/article/details/105501955
版权

Price-aware Recommendation with Graph Convolutional Networks

Yu Zheng, Chen Gao, Xiangnan He, Yong Li, Depeng Jin

Tsinghua University, University of Science and Technology of China

http://staff.ustc.edu.cn/~hexn/papers/icde20-priceRec.pdf

研究人员越来越关注用户行为，比如协同过滤，同时还利用一些描述用户或商品的信息，比如纹理特征，类别型画像，产品图像等。价格在市场中是比较重要的因素，它能够决定用户最终是否购买某商品，并没有得到很多关注。

这篇文章旨在提出一种预测用户购买意图的方法，该方法集中在推荐系统中的价格因素。

难点主要有两点：其一为用户对商品价格的偏好和敏感程度是未知的，只能通过用户已经购买的商品来隐式反应；其二即为用户对商品价格的意图很大程度上会依赖商品类别，用户对商品价格的感知和接受程度会根据商品类别的不同而千变万化。

针对第一条困难，作者们对用户跟商品之间以及商品跟价格之间的关系进行建模，该想法源自最近发展起来的图卷积网络(GCN)。核心思想在于利用商品作为桥梁，将价格对用户的影响进行传播，进而使得所学用户表示能够感知到价格。

针对第二条困难，将商品类别集成到传播过程中，为了预测用户商品之间的交互，对所有的结对式交互进行建模。

作者们在两个真实数据集上进行了大量实验，结果表明基于GCN的方法在学习用户对价格的敏感度。对价格敏感度进行建模有助于预测用户对于未知类别商品的偏好。

将价格因素融入推荐系统的难点主要在于以下两点

这篇文章的亮点在于

下面是这篇文章的主要贡献

不同用户对不同类别的商品价格敏感度不一致

几个用户对不同类别商品的价位接受度热力图如下

问题定义如下

这篇文章所提出的模型整体图示如下

最低0.47元/天 解锁文章
frank_hetest
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ERAS:用于“对知识图嵌入进行有效的关系感知评分功能搜索”的代码ICDE 2021
04-16
自动SF 我们的论文代码[“用于知识图嵌入的有效的关系感知评分功能搜索”]已被ICDE 2021接受。 欢迎读者使用此存储库来重现实验并关注我们的工作。 请引用我们的论文 @inproceedings{di2021eras, title={Efficient Relation-aware Scoring Function Search for Knowledge Graph Embedding}, author={Shimin DI, Quanming YAO, Yongqi ZHANG, and Lei CHEN}, booktitle={2021 IEEE 37th International Conference on Data Engineering (ICDE)}, pages={}, year={20221}, organization={IEEE}
GRAPH CONVOLUTIONAL NETWORKS.pdf
04-04
论文SEMI-SUPERVISEDCLASSIFICATION WITHGRAPHCONVOLUTIONALNETWORKS 发表于ICLR2017
ICDE2010.pdf
05-02
精品文档 欢迎下载
ICDE2013(全部论文之三)
05-03
以前和大家分享过SIGMOD2009和2011的论文，朋友们都很感兴趣，现手里有ICDE2013的全部论文，再次和大家分享~ 一个包放不下，一共分成了4个包，包含142篇长文论文，还有64篇短文论文，朋友们可以挑选自己感兴趣的部分下载，我尽量把文章目录写得明白一些。 这是第三部分。 很抱歉，之前没太看明白，这四个包里的内容有点混淆，包中的论文是按照文章列表编号排序的，事实上，这三个包中的论文把所有的research papers, industry papers and short papers全部包含了，没有严格按照列表来。 备注：需要的朋友，可以把四个包的文章下载完整，再对照列表查询自己感兴趣的论文进行阅读，在列表中看到的论文，在四个包中一定能找得到，抱歉。
2019-Session-based Recommendation with Graph Neural Networks.pdf
01-14
2019-Session-based Recommendation with Graph Neural Networks
ICDE2020｜Price-aware Recommendation with Graph Convolutional Networks 应用图卷积网络的价格意识推荐方法
m0_38051901的博客
08-15 1562
ICDE2020 Price-aware Recommendation with Graph Convolutional Networks 阅读笔记 研究现状 摘要—近年来，有关推荐的大量研究工作已投入到挖掘用户行为（即协作过滤）以及描述用户或项目的一般信息（例如文本属性，分类人口统计信息，产品图片等）中上。令人惊讶的是，价格是行销中的一个重要因素，它决定了用户是否将对商品做出最终的购买决定。 在这项工作中，我们旨在开发一种有效的方法来预测用户的购买意愿，并重点关注推荐系统中的价格因素。主要困难有两个方
吐槽一下ICDE的录取结果
lvsendoc的专栏
10-16 5811
千呼万唤始出来，ICDE的录取结果终于出来了。     我的第一次顶级会议投稿以失败而告终，这对我来说真的是一个不小的打击。事前，我，崔老师，李老师还有申老师，我们对这篇论文信心满满的，都觉得不会有问题。不过，现实却狗血的很。三个reviewer，没有一个给出正面评价。昨晚21：39收到邮件的时候，我简直不能相信，继而陷入了迷茫。我真的想不通，我沿着学校外墙从西南们到北门绕了一圈。这个notif
基于图卷积的价格推荐论文（Price-aware Recommendation with Graph Convolutional Networks）
争取原创，尽量不CV
09-21 703
基于图卷积的价格推荐论文概述 ICDE2020非常好的文章 Price-aware Recommendation with Graph Convolutional Networks paper link：https://arxiv.org/pdf/2003.03975v1.pdf 本文原创作者萌酱还是萌萌子，自己略加修改，用来学习，争做合格的知识搬运工。 其它参考：这篇和这篇 文章目录基于图卷积的价格推荐论文概述一、前言二、关键问题三、The main contributions of this work四
基于图卷积的价格感知推荐
张小磊的博客
09-21 423
嘿，记得给“机器学习与推荐算法”添加星标Paper：Price-aware Recommendation with Graph Convolutional NetworksLink：ht...
Price-aware Recommendation with Graph Convolutional Networks阅读笔记
呵一只笨笨
06-23 304
本笔记只记关键点，不能当做中文版论文详解来读 摘要 用户价格因果推断难点： 用户对品的价格偏好和敏感度是未知的，仅隐式存在于用户已购买的商品中 用户对商品价格的感知和承受能力在不同类别之间可能会有很大差异 解法： 借助GCN对用户-品、品-价格之间的传递关系进行建模 把商品类目加入到图网络传播过程中 引言 推荐系统常用获取用户兴趣品的方法： 协同过滤 collaborative filtering，把任务转换为完成user-item消费矩阵，并将变信息合并到CF中，例如文本属性、分类人口统计学资料
第四范式新作：借鉴AutoML，自动设计不同知识图谱嵌入的评分函数（ICDE 2020）
04-17
评分函数（Scoring Function，SF）是衡量知识图谱（Knowledge Graph，KG）中三元组可编程性的重要指标，已成为知识图谱嵌入的关键。近年来，大量的评分函数被设计出来，用于捕捉知识图谱中的各种关系。然而，由于关系可能表现出复杂的模式，而这些模式在训练前很难推断，因此在现有的基准数据集上，没有一个能比其他模式表现得更好。
ICDE20_Task Allocation in Dependency-Aware Spatial Crowdsourcing.pdf
01-21
ICDE2020 空间众包中依赖感知的任务分配论文
论文阅读: Multi-behavior Recommendation with Graph Convolutional Networks(SIGIR2020)
aaHua_
04-20 434
Multi-behavior Recommendation with Graph Convolutional Networks
CVPR 2012 Papers
热门推荐
daiyuchao的专栏
04-10 1万+
Orals Title Author(s) Micro Phase Shifting Mohit Gupta; Shree Nayar On Multiple Foreground Cosegmentation Gunhee Kim; Eric Xing Face detection, pose estimation, and landmark l
知识图谱论文阅读（十七）【WWW2021】DGCN: Diversified Recommendation with Graph Convolutional Networks
qq_35222729的博客
09-06 2497
本论文是很明显是基于KGCN的！ 如果不懂KGCN，可以看我上一篇博文 论文题目： DGCN: Diversified Recommendation with Graph Convolutional Networks 论文链接： 论文代码： 创新 （1）和（2）没有改变生成阶段的顺序，而（3）则是存在实际问题。 那么我们就是添加上游任务中，生成一个排序结果，而不仅仅是候选items + 多样性排序 要有特定于多样性的设计，使的弱势类别更加容易获得 摘要 动机： 多样性是衡量推荐items的一个关键因.
Graph Convolutional Networks with Argument-Aware Pooling for Event Detection[AAAI 2018]阅读笔记
SZ-crystal
08-15 2264
论文题目：Graph Convolutional Networks with Argument-Aware Pooling for Event Detection 论文出处：AAAI 2018 论文地址：https://ix.cs.uoregon.edu/~thien/pubs/graphConv.pdf 论文概要 该论文提出一个基于句法依存树的图卷积（Graph Convolutional Ne...
GNN:Session-based Recommendation with Graph Neural Networks简介
loserChen的博客
03-17 5242
Session-based Recommendation with Graph Neural Networks 摘要 作者提出SR-GNN,将session序列建模为图结构数据。在session图的基础上，GNN可以捕捉到items的复杂转换。每一个session利用注意力机制将整体偏好与当前偏好结合进行表示。 介绍 作者diss了 基于马尔可夫链的工作非常依赖数据独立性的假设的。 利用RNN的...
node-v5.11.0-x86.msi
最新发布
05-07
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
Mining Colossal Frequent Patterns • F. Zhu, X. Yan, J. Han, P. S. Yu, and H. Cheng, “Mining Colossal Frequent Patterns by Core Pattern Fusion”, ICDE'07. • We have many algorithms, but can we mine large (i.e., colossal) patterns? ― such as just size around 50 to 100? Unfortunately, not! • Why not? ― the curse of “downward closure” (向下封闭) of frequent patterns • The “downward closure” property • Any sub-pattern of a frequent pattern is frequent. • Example. If (a1, a2, …, a100) is frequent, then a1, a2, …, a100, (a1, a2), (a1, a3), …, (a1, a100), (a1, a2, a3), … are all frequent! There are about 2100 such frequent itemsets! • No matter using breadth-first search (e.g., Apriori) or depth-first search (FPgrowth), we have to examine so many patterns • Thus the downward closure property leads to explosion!翻译成中文，解释
06-12
《挖掘巨大频繁模式：核心模式融合》一文中提到，我们有很多算法可以挖掘频繁模式，但是我们能否挖掘大型的（即巨大的）模式，例如大小在50到100之间的模式呢？不幸的是，我们不能！为什么不行呢？因为频繁模式的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值