![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
序列推荐
文章平均质量分 92
推荐系统
饮冰l
这个作者很懒,什么都没留下…
展开
-
论文笔记:KDD 2020 Handling Information Loss of Graph Neural Networks for Session-based Recommendation
前言作者在基于图神经网络的序列推荐方法中发现了两种信息损失问题,分别是 lossy session encoding 问题 和 ineffective longrange dependency capturing 问题。对于第一个 lossy session encoding 问题,是由于在将会话建模成图和在信息传递过程中进行具有排列不变性的聚合时存在忽略了物品的转换信息。对于第二个 ineffective longrange dependency capturing 问题,作者认为有限的 GNN 层数原创 2021-03-15 17:41:04 · 603 阅读 · 0 评论 -
论文笔记:CIKM 2019 Rethinking the Item Order in Session-based Recommendation with Graph Neural Networks
前言在传统的会话推荐模型中一般采用注意力机制来建模用户的偏好嵌入,但是作者认为用户的偏好是更加复杂的关系,单纯靠交互的物品间的联系不足以充分表达。因此,本文主要通过建模会话图来研究物品之间的联系模式,提出了一种模型框架来协同处理会话图中的序列顺序和潜在顺序,具体来说,本文提出了一个加权注意力图结构和一个读出函数来学习物品和会话的嵌入。论文链接:https://arxiv.org/pdf/1911.11942v1.pdfgithub:https://github.com/RuihongQiu/FGNN原创 2021-02-23 21:47:50 · 1064 阅读 · 2 评论 -
论文笔记:ICDM 2020 DGTN: Dual-channel Graph Transition Network for Session-based Recommendation
前言会话推荐任务的不同方法无异于将匿名会话建模成序列或者图来对会话特征嵌入进行学习,但是目前的大多数方法忽略了不同会话中物品间的复杂联系。其中包括潜在的协同过滤信息,并反映类似的行为模式,作者认为这可能有助于完成基于会话的推荐任务。基于此本文提出了一种双通道的图转换网络,来对物品转换关系进行建模,这种转换关系包括了目标会话和相邻会话。具体来说,我们将目标会话和它的邻居(类似的)会话集成到一个图中。然后,过渡信号通过通道感知传播显式注入到嵌入中。论文链接:https://arxiv.org/pdf/20原创 2021-02-22 19:16:11 · 1124 阅读 · 6 评论 -
论文笔记:KDD 2018 STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation
前言论文链接:https://dl.acm.org/doi/pdf/10.1145/3219819.3219950原创 2021-02-21 18:22:32 · 878 阅读 · 0 评论 -
SIGIR 2020 TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation
前言目前已经有很多方法通过将会话建模为序列或图来完成对会话的嵌入,进而对 next-item 进行预测。这些方法将会话压缩为一个固定的表示向量,而不考虑要预测的目标项。之前的大多数方法的出发点就是通过对会话进行嵌入,期望能够捕获到用户意图信息完成对未来可能产生交互物品的预测。本文的作者认为由于目标物品的多样性和用户的兴趣,固定的向量会限制推荐模型的表示能力。因此在本文中提出了一种新的目标注意图神经网络( TAGNN )模型用于基于会话的推荐。在TAGNN中,目标感知注意自适应地激活了用户对不同目标物品的原创 2021-02-19 20:12:42 · 1454 阅读 · 0 评论 -
论文笔记:AAAI 2021 Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation
前言Session-based recommendation (SBR) 也就是会话推荐主要的任务就是基于目前已有的多个用户物品交互序列,完成 next-item 预测。在这种情况下,用户配置文件不可用,因此从多个用户物品交互序列中提取用户意图嵌入就格外重要。基于此本文将会话数据建模为超图,提出了一种双通道超图卷积网络 - DHCN。同时本文为了增强超图建模,创新性地将自监督学习融入到网络训练中,最大化通过 DHCN 中两个通道学习的会话表示之间的互信息,作为改进推荐任务的辅助任务。总结来说文本的创新原创 2021-02-19 13:17:14 · 4671 阅读 · 12 评论 -
论文笔记:SIGIR 2020 Next-item Recommendation with Sequential Hypergraphs
前言在推荐系统中,往往可以通过用户交互序列来动态获取用户的偏好。物品的语义信息往往随着时间和用户发生改变,因此为了更加有效的从用户动态的交互序列中抽取特征完成物品语义信息的更新,本文提出了一种针对于 next-item 推荐的框架,其主要基于序列超图完成推荐。从图中可以看出来,用户的交互行为随着时间动态变化,而且同一物品随着用户交互行为的变化,对于其语义信息的表示也会随着变化。该模型的主要特点如下:基于动态的用户交互序列建模超图来表达短期的物品相关性,应用多种类型的卷积层来捕获超图中的多阶关系。原创 2021-02-18 17:41:42 · 1713 阅读 · 0 评论 -
论文笔记:AAAI 2019 Session-based Recommendation with Graph Neural Networks
前言在某些序列推荐系统中,一个用户-项目交互序列包括多个子序列(也称为会话)。在这种情况下,除了当前子序列中先前的交互作用外,历史子序列还可能影响当前子序列中预测的下一个用户-项目交互作用。基于会话的推荐问题旨在基于会话预测用户的行为,以前的相关方法将会话建模为序列,并通过对用户表示进行学习来完成推荐。这些方法虽然取得了令人满意的结果,但它们不足以在会话中获得准确的用户表示,并忽略了复杂的物品表示转换。为了获得准确的物品嵌入和考虑物品表示的复杂转换,本文提出了一种基于会话的GNN网络模型。在 SR-GN原创 2021-02-06 14:04:26 · 527 阅读 · 1 评论 -
论文笔记:IJCAI 2019 Sequential Recommender Systems: Challenges, Progress and Prospects
前言本文介绍一种新的推荐概念 – 序列推荐系统 sequential recommender systems(SRSs)刚开始了解该领域,大部分是对该篇综述论文的逐句翻译。算是一个入门与传统的推荐系统 (RSs) 不同,包括协同过滤和基于内容的过滤,SRSs 试图理解和建模顺序用户行为,用户和项目之间的交互,以及用户偏好和项目流行度随时间的演变。SRSs 涉及上述方面,以便更精确地描述用户上下文、意图和目标以及商品消费趋势,从而产生更准确、定制化和动态的推荐。本文对 SRSs 进行了系统的综述。首先原创 2021-02-03 10:33:12 · 950 阅读 · 0 评论