Graph Contextualized Self-Attention Network for Session-based Recommendation

最新推荐文章于 2023-10-30 10:13:37 发布
最新推荐文章于 2023-10-30 10:13:37 发布
阅读量1.2k 收藏
点赞数
分类专栏： 推荐系统

Graph Contextualized Self-Attention Network for Session-based Recommendation

图上下文只注意力网络做会话推荐

摘要

最近自注意力网络在各种序列化建模任务中取得了很大的成功，摒弃了RNN和CNN。然而SAN缺乏存在于相邻项上的局部依赖关系，并且限制了它学习序列化中项目上下文表示的能力。论文照片那个提出了一种利用图神经网络和自注意力机制的图上下文自注意力模型(GC-SAN)，用于会话推荐。

模型架构

在这里插入图片描述

Longriver111
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Collaborative Self-Attention Network for Session-based Recommendation (IJCAI-20
qq_39091546的博客
03-11 769
摘要 基于会话的推荐因其能够为匿名用户提供推荐而成为研究热点。但是，现有的基于会话的方法具有以下局限性：（1）它们要么缺乏学习复杂依赖性的能力，要么主要专注于当前会话，而没有明确考虑协作信息。 （2）他们假设商品的表示形式是静态的，并且在每个时间步中对所有用户都是固定的。我们认为，即使是同一项目，也可以在同一时间步骤为不同的用户以不同的方式表示。为此，我们提出了一种新颖的解决方案，用于基于会话的推荐的协作式自我关注网络（CoSAN），以学习会话表示并通过调查邻居会话来预测当前会话的意图。特别地，我们首先通过
论文阅读《Graph Contextualized Self-Attention Network for Session-based Recommendation》
小白的学习路
07-12 3963
论文地址：https://www.ijcai.org/Proceedings/2019/0547.pdf Graph Contextualized Self-Attention Network for Session-based Recommendation 1.引言 在电子商务、音乐、社交媒体等许多应用领域，推荐系统在帮助用户缓解信息过载和选择感兴趣内容方面发挥着重要作用。现有的大部分推荐系统都是基于用户历史的互动。但是，在许多应用程序场景中，用户标识可能是未知的，并且在正在进行的会话中只有用户
《Graph Contextualized Self-Attention Network for Session-based Recommendation》论文笔记
the_seventh_dog的博客
04-21 366
基于图上下文自注意力网络的短序列推荐的论文笔记
论文《Graph Contextualized Self-Attention Network for Session-based Recommendation》阅读
wzj1212123的博客
01-03 1532
论文《Graph Contextualized Self-Attention Network for Session-based Recommendation》阅读论文概况IntroductionMethodA.Graph ConstructionB.Node Vectors UpdatingC.Self-Attention LayerD.Prediction Layer总结 论文概况 本文是2019年IJCAI上的一篇论文，该篇文章聚焦于使用GNN和自注意力网络来解决绘画推荐问题，提出了GCSAN（Gra
Self-supervised Graph Learning for Recommendation
12-20
在推荐系统领域，自监督学习（self-supervised learning）已经成为一种新兴的研究焦点，尤其是在结合图学习（graph learning）的情况下。自监督学习的核心思想是利用数据自身的信息来构建监督信号，而不是依赖于人工...
2019-KDD-KGAT, Knowledge Graph Attention Network for Recommendat
08-08
为了解决这个问题，2019年KDD会议上提出了一种新的方法——知识图谱注意力网络（Knowledge Graph Attention Network, KGAT）。该模型通过将物品与其属性链接的知识图谱引入，打破了独立交互的假设，强调了实体间的...
Graph-Based-Blind-Image-Deblurring-master.rar_ImageProcessing_bl
07-14
这个项目源自于名为“Graph-based Blind Image Deblurring from a Single Photograph”的学术文献，其提供了相关的源代码，使得研究者和开发者能够理解和实践这一图像恢复技术。 图像去模糊是计算机视觉和图像处理...
CIKM2019-graph-for-recommendation.pdf
11-11
CIKM2019-graph-for-recommendation,CIKM会议报告。 Collaborative Filtering（CF） Generic Featured-based Models：
msgraph-sdk-java:适用于Java的Microsoft Graph SDK
04-20
适用于Java的Microsoft Graph SDK 将集成到Java应用程序中，即可开始使用Java的Microsoft Graph SDK。 注意：此SDK允许您使用Microsoft Graph 来构建应用程序。 如果您想在beta下尝试最新的Microsoft Graph API，...
2019-Session-based Recommendation with Graph Neural Networks.pdf
01-14
2019-Session-based Recommendation with Graph Neural Networks
KGAT：Knowledge Graph Attention Network for Recommendation.pdf
08-09
Toprovidemoreaccurate,diverse,andexplainablerecommendation, it is compulsory to go beyond modeling user-item interactions andtakesideinformationintoaccount.Traditionalmethodslike factorizationmachine(FM)castitasasupervisedlearningproblem, whichassumeseachinteractionasanindependentinstancewith side information encoded. Due to the overlook of the relations amonginstancesoritems(e.g., thedirectorofamovieisalsoan actorofanothermovie),thesemethodsareinsufficienttodistillthe collaborativesignalfromthecollectivebehaviorsofusers.
论文《Session-based Recommendation with Graph Neural Networks》阅读
wzj1212123的博客
12-27 950
论文《Session-based Recommendation with Graph Neural Networks》阅读论文概况IntroductionMethodA.Constructing Session GraphsB.Learning Item Embeddings on Session GraphsC.Generating Session EmbeddingsD.Making Recommendation and Model Training总结 论文概况 本文是2019年AAAI上的一篇论文，
推荐系统----SR-GNN: Session-based Recommendation with Graph Neural Networks
weiwei935707936的博客
11-23 958
关键词: session, LSTM聚合(GGNN), 最后一个表session, local和全局 (整体流程可以抄, 更换内部组件. 就像: Global Context Enhanced Graph Neural Networks for Session-based Recommendation) 已经有item交互数据, 推断下一个是什么 session是匿名的, 并且数量有限 之前用RNN建模, 现在用GGNN(门控图神经网络) 贡献: ..
Session-based Recommendation with Graph Neural Networks (SR-GNN 2019)
NSSWTT的博客
01-26 661
研一上半学期已经结束，这学期学习了很多而且很碎的东西。其中在论文中学习到的知识颇为丰富，本学期看的论文大部分都是关于推荐系统的论文，而且对基于session的推荐有了深刻的理解。趁着寒假时间，对基于session的推荐相关论文做做总结，趁热打铁，话不多说，进入正文。 Session-based RecommendationSession-based Recommendation with Graph Neural Networks (2019)An Intentet-guided Collabo...
Session-based Recommendation with Graph Neural Networks & GNN
W 的一些小感想
12-01 1690
最近在实验室组会主讲了一些关于GNN的理解并讨论了以篇发表于AAAI2019的关于门控图神经网络在推荐系统中应用的论文。现将相关内容予以记录。其中的截图有涉及到相关博主的博客，均已列于文献引用中，如有不当，请告知删除，谢谢！ 1. “A Comprehensive Survey on Graph Neural Networks” 1.1 引言 像CNN、RNN这样的深度学习模型在图像、文本...
Session-based Recommendation with Graph Neural Networks
weixin_46125345的博客
09-24 699
Session-based Recommendation with Graph Neural Networks欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你
Session-Based Recommendation with Graph Neural Networks
最新发布
zhangpanfeng1的博客
10-30 453
*背景：**基于会话的推荐问题旨在基于匿名会话预测用户的行为。**不足：**以前的方法将会话建模为序列，并估计除项表示外的用户表示以提出建议。虽然取得了令人满意的结果，但它们不足以获得准确的会话用户向量，并且忽略了项目的复杂转换。**提出的方法：**为了获得准确的项目嵌入，并考虑到项目的复杂迁移，我们提出了一种新的方法，即基于会话的推荐与图神经网络，简称SR-GNN。步骤：在该方法中，会话序列被建模为图结构数据。基于会话图，GNN可以捕捉到以往传统序列方法难以揭示的复杂项目迁移。然后。
Session-based Recommendation with Graph Neural Networks，SR-GNN代码分析
05-22 2291
代码仓库：https://github.com/CRIPAC-DIG/SR-GNN#paper-data-and-code 数据集下载： 一个是YOOCHOOSE，仓库的链接失效了，去kaggle下就好，https://www.kaggle.com/chadgostopp/recsys-challenge-2015 另一个是DIGINETICA，https://competitions.codalab.org/competitions/11161 下载完后解压到datasets里面 最终就用到这两个文件
hierarchical-graph-attention-network-master的数据集
09-17
hierarchical-graph-attention-network-master是一个使用分层图注意力网络（Hierarchical Graph Attention Network）进行训练和预测的项目。该项目主要针对一种特定的数据集。 该数据集可以是一个图数据集，其中包含多个节点和边，每个节点代表一个实体或对象，每个边代表节点之间的关系或连接。 具体来说，数据集可能包含以下内容： 1. 节点信息：每个节点具有一些特征或属性，描述了节点的性质。这些特征可以是结构性的，如节点的ID或位置，也可以是属性性的，如节点的词向量表示或其他自定义的特征描述。 2. 边信息：每个边包含了节点之间的连接关系或关联性。这些关系可以是有向的或无向的，可以是带权重的或不带权重的。比如，在社交网络中，节点可以表示人，边可以表示朋友关系，权重可以表示亲密程度。 3. 层次结构：数据集可能包含多个层次结构，即节点可以按照一定的层次结构进行组织和分组。比如，在一张包含人和城市的图中，可以将人节点按照所属城市进行分组，形成一个城市层次和一个人层次。 Hierarchical Graph Attention Network可以在这样的数据集上进行训练和预测。它通过层次结构和图注意力机制来捕捉节点之间的结构信息和特征关联。在训练过程中，网络会学习到不同层次和节点之间的重要性权重，从而在预测任务中能够更好地利用数据集中的信息。 这样，利用hierarchical-graph-attention-network-master项目，我们可以对给定的图数据集进行分层建模和预测，从而有效利用节点之间的结构和关联信息。
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