WSDM2019|动态图注意力网络在基于会话的社交推荐中的应用

最新推荐文章于 2024-08-09 07:55:10 发布
最新推荐文章于 2024-08-09 07:55:10 发布
阅读量1.3k 收藏 7
点赞数
文章标签： 机器学习 深度学习 人工智能 python 算法
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/107925567
版权
文章提出了一种基于动态图注意力网络的会话式社交推荐系统，结合循环神经网络建模用户兴趣变化，图注意力网络捕捉上下文中的社交影响。实验表明该方法在大规模数据上有效。
摘要由CSDN通过智能技术生成

Session-based Social Recommendation via Dynamic Graph Attention Networks

Weiping Song, Zhiping Xiao, Yifan Wang, Laurent Charlin, Ming Zhang, Jian Tang

Peking University, UC Berkeley, Mila & HEC Montreal

http://www.cs.toronto.edu/~lcharlin/papers/fp4571-songA.pdf

在线社交网络，比如Facebook以及Twitter，非常流行，并且，对于很多用户来说，这种在线社交已经成为很多用户的日常生活中必不可少的一部分。

在这些平台上，用户可以发现并且创建一些信息，这些信息会被其他用户“消费”。在这种背景下，为了长期留住用户，对用户推荐相关信息非常关键。

然而，在线社交系统中的推荐具有一定的挑战性，其一，用户兴趣是动态变化的，其二，用户会被他们的朋友影响。而且，产生影响的用户是依赖于上下文的。不同的朋友依赖于不同的话题。对这两种信息进行建模对于推荐是必不可少的。

这篇文章基于动态图注意力神经网络提出一种可以用户在线社交的推荐系统。利用循环神经网络对动态变化的用户行为进行建模，利用图注意力神经网络对依赖上下文的社交影响进行建模，该模型可以基于用户当前的兴趣动态推理产生影响的用户。

整个模型对于大规模数据比较高效。几个真实数据集上的实验结果表明作者所提方法的有效性。

不同session的推荐可能不同，图示如下

这篇文章的主要贡献如下

现有动态推荐方法有以下几种

基于社交网络的推荐有以下几种

图卷积网络来源及简介如下

基于会话的推荐问题定义如下

基于会话的社交推荐定义如下

这篇文章所提模型的整体结构图示如下

其中动态个人兴趣利用RNN（LSTM）来提取

短期偏好形式如下

长期偏好定义如下

动态特征图构建方式如下

基于动态特征图可以构建图注意力网络

基于注意力机制的卷积图模型图示如下

最终推荐基于以下公式

目标函数形式如下

数据集分割策略如下

参与对比的有以下几种方法

数据集信息统计如下

最低0.47元/天 解锁文章
frank_hetest
关注
DGRec: 基于会话的基于动态图注意网络的社会推荐
weixin_50180730的博客
07-10 1050
核心问题： 在线社区中的推荐是一个具有挑战性的问题：1）用户的兴趣是动态的，2）用户受到朋友的影响。此外，影响者可能是上下文相关的。 提出了一种基于动态图注意神经网络的在线社区推荐系统：利用递归神经网络对动态用户行为进行建模；并利用图注意神经网络对dynamic influence进行描述，即根据用户当前的兴趣动态推断影响因素 motivatingexample： 首先把behaviors看作 asequence of actions (e.g., item clicks) ,为了捕获用户...
WSDM2019|社交注意力记忆网络在推荐系统中的应用(已开源)
hestendelin的专栏
09-21 784
Social Attentional Memory Network: Modeling Aspect- and Friend-level Differences in Recommend...
推荐系统的新时代：探索知识图谱注意力网络（KGAT）
最新发布
gitblog_01055的博客
08-09 393
推荐系统的新时代：探索知识图谱注意力网络（KGAT） knowledge_graph_attention_networkKGAT: Knowledge Graph Attention Network for Recommendation, KDD2019项目地址:https://gitcode.com/gh_mirrors/kn/knowledge_graph_attention_network...
2019_WSDM_Session-Based Social Recommendation via Dynamic Graph Attention Networks
weixin_46645827的博客
03-01 1421
[论文阅读笔记]2019_WSDM_Session-Based Social Recommendation via Dynamic Graph Attention Networks 论文下载地址： https://doi.org/10.1145/3289600.3290989 发表期刊：2019 Publish time: WSDM 作者及单位: Weiping Song School of EECS, Peking University songweiping@pku.edu.cn Zhiping Xi
论文《Session-based Social Recommendation via Dynamic Graph Attention Networks》阅读
wzj1212123的博客
01-06 1322
论文《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读论文概况IntroductionMethodA.Short-term Interest ModelingB.Long-term Interest ModelingC.Interest FusionD.Prediction总结 论文概况 本文是2020年AAAI上的一篇论文，该篇文章聚焦于短期兴趣、长期兴趣、项目共现来解决会话推荐问题，提出了MAGNN（Memor
多轮检索式对话——【WSDM 2019】MRFN
05-02 524
本文的Motivation是建立在最近几年多轮检索式对话基于的面向交互的思想是。回想一下从引入交互，到完全基于交互，再到多层交互。交互的粒度越多越work已经是大家的共识了。但如何更好的设计各个粒度之间的层次关系，减少不必要的性能浪费呢？作者提出把粒度划分为word, short-term, long-term三个粒度6种表示：WordContextualAttention-based（和DAM一样）
WSDM2019|门限注意力自编码在内容感知推荐中的应用(已开源)
hestendelin的专栏
09-07 434
Gated Attentive-Autoencoder for Content-Aware RecommendationChen Ma, Peng Kang, Bin Wu, Qingl...
WWW2019|对偶图注意力网络在推荐系统中的应用(已开源)
hestendelin的专栏
08-31 1149
Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects i...
WWW2019|图神经网络在社交推荐中的应用
hestendelin的专栏
07-13 2650
Graph Neural Networks for Social RecommendationWenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao...
WSDM 2019 第一届深度匹配实战研讨会成功召开.zip
10-08
2019年，WSDM（http://www.wsdm-conference.org/2019/，属于CCF B类会议）上的第一届“深度匹配实战研讨会”格外抢眼，以下附上该研讨会上所有演讲内容，包括keynote和接收的所有论文。
2019-Session-based Recommendation with Graph Neural Networks.pdf
01-14
2019-Session-based Recommendation with Graph Neural Networks
wsdm19cup:我在WSDM 2019杯上对假新闻分类的第一名解决方案
03-18
WSDM Cup 2019：ByteDance-虚假新闻分类 该存储库包含在WSDM cup 2019任务1上提交1st place源代码。 问题 ByteDance是一家位于中国的全球互联网技术公司。他们的目标是建立一个全球性的内容平台，使人们能够以不同的形式享受各种内容，并重点关注跨语言，文化和地理区域的人们的交流，娱乐和启发。 ByteDance面临的挑战之一是打击各种类型的虚假新闻，此处指的是各种形式的虚假，不准确或误导性信息。结果，ByteDance创建了一个大型的虚假新闻文章数据库，任何新文章都必须根据新文章与数据库中文章之间的匹配情况，在发布之前必须经过内容真实性测试。经人工验证其状态后，被识别为包含虚假新闻的文章将被撤回。因此，过程的准确性和效率对于使平台安全，可靠和健康至关重要。 ByteDance邀请社区中的研究人员和学生参加以下任务。给定假新闻文章A的标题和即将到来的
WSDM2019|近似解耦随机游走RecWalk在top-N推荐中的应用(已开源)
hestendelin的专栏
10-19 401
RecWalk: Nearly Uncoupled Random Walks for Top-N RecommendationAthanasios N. Nikolakopoulos,...
通过动态图-通俗易懂地了解自注意力机制
Ondo的博客
06-20 724
BERT、RoBERTa、ALBERT、SpanBERT、DistilBERT、SesameBERT、SemBERT、MobileBERT、TinyBERT和CamemBERT的共同点是什么？答案并不是“ BERT”????。 而是“自注意力”????。我们不仅在讨论承载“ BERT” 的架构，更准确地说是基于 Transformer 的架构。基于 Transformer 的架构主要用于对语言理解...
DySAT：动态图自注意力网络的深度神经表示学习
gitblog_00060的博客
05-25 467
DySAT：动态图自注意力网络的深度神经表示学习 项目地址:https://gitcode.com/aravindsankar28/DySAT 在不断变化和演进的数据世界中，动态图建模成为了理解和预测复杂系统的关键。DySAT，一个基于TensorFlow实现的开源项目，正是为了解决这个问题——它提供了一种自注意力（Self-Attention）网络，用于动态图的无监督表示学习。这个创新模型不仅适...
【论文笔记】通过自注意力机制的动态图表示
UpUp的博客
03-17 981
本专题的论文笔记基本作为草稿记录，好方便查阅，可能没有那么详细。 模型结构 主要分为两个部分，structural and temporal self-attention layers。 使用muliti-head attentions to improve model capacity and stability。 结构化模块提取领域邻居信息节点来作为输入表示到时间模块。时间模块来捕获时间变化。 STRUCTURAL SELF-ATTENTION 输入为节点表示集合，xv∈RDx_v\in R^Dxv
8大步骤图解注意力机制（通俗易懂，具体案例）
u012413709的博客
08-06 1283
https://blog.csdn.net/hpulfc/article/details/80448570
WSDM标准下的局域网流量监测系统设计与应用
网络流量监测系统设计文档深入探讨了流量监测在现代网络管理中的核心地位，强调了它对于评估网络性能、故障诊断和安全维护的重要性。文章首先介绍了面向服务架构（SOA）的概念，它将网络服务模块化，通过统一的接口...
评论 2
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