- 博客(58)
- 收藏
- 关注
原创 GRAG: Graph Retrieval-Augmented Generation
在本节中,我们介绍 GRAG 的解决方案。如上图 (a) 所示,为了解决文本子图检索的挑战,我们提出了一种分而治之的策略。该策略基于以下假设:一个重要的子图由重要节点及其部分邻居组成。具体来说:我们首先搜索重要的自中心图(ego-graph)。然后将最相关的前 N 个自中心图合并,并通过**软剪枝操作(soft pruning)**减少冗余节点和边的影响,生成一个近似最优的子图结构。与直接子图搜索相比,我们的检索-剪枝方法将检索空间限制为 ∣V∣ 个自中心图,从而显著提高了效率。
2024-11-28 10:12:11
1017
原创 Large Language Models for Intent-Driven Session Recommendations
意图感知会话推荐(Intent-aware Session Recommendation, ISR)在识别会话中的用户意图并进行精准预测方面起着至关重要的作用。然而,传统方法由于假设所有会话具有相同数量的意图而面临局限性。这种假设忽视了用户会话的动态特性,即意图的数量和类型可能显著变化。此外,这些方法通常在潜在空间中操作,因此限制了模型的透明性。为了解决这些挑战,我们引入了一种新颖的ISR方法,利用大型语言模型(Large Language Models, LLMs)的高级推理能力。
2024-11-28 08:59:52
673
原创 Multi-level Disentangled Contrastive Learning on Heterogeneous Graphs
自监督学习方法(包括基于异构图神经网络(HGNNs)的对比学习)在学习异构信息网络(HINs)表示方面取得了巨大成功。然而,现有的自监督方法通常忽视了HIN背后潜在因素的交织性,这降低了下游任务的性能。为此,本文提出了一种多层次解耦异构图对比学习方法,旨在以自监督方式学习解耦的HIN节点表示。具体而言,我们首先设计了一种定制的编码器,用于捕捉输入HIN中节点的潜在因素和语义,并学习它们的分解表示。随后,我们提出了一种新颖的对比学习判别目标,专为解耦的HIN节点表示学习设计。
2024-11-26 13:04:13
475
原创 Intent-aware Recommendation via Disentangled Graph Contrastive Learning
多意图预测:通常,用户行为数据可以通过图G = (V, E)来表示,其中节点集V = U ∪ I ∪ C包括所有的用户、物品和与物品相关的概念,边集E = O+ ∪ P+表示观察到的用户行为和物品隶属关系。具体来说,U = {u1, u2, · · · , uN}是N个用户的集合,I = {i1, i2, · · · , iM}是M个物品的集合,C = {c1, c2, · · · , cR}是与物品相关的R个概念的集合,这些概念表示物品的特征,如类别、类型、流行度等。
2024-11-25 22:16:26
685
原创 DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation
异构信息网络因其能够建模用户-物品交互中的丰富上下文信息,已被广泛应用于缓解推荐系统中的稀疏性和冷启动问题。图神经网络通过图上的传播能够编码这些丰富的上下文信息。然而,现有的异构图神经网络忽视了来自不同方面的潜在因素的纠缠。此外,现有方法中的元路径被简化为连接路径或节点对之间的边信息,忽视了路径中的丰富语义信息。本文提出了一种新型的解耦异构图注意力网络 DisenHAN,用于 top-𝑁 推荐,它可以从异构信息网络中学习来自不同方面的解耦用户/物品表示。特别地,我们使用元关系来分解节点对之间的高阶连接性,
2024-11-20 11:25:59
1013
原创 Disentangled Contrastive Collaborative Filtering
最近的研究表明,图神经网络(GNN)普遍用于为协作过滤(CF)建模高阶关系。在这条研究路线上,图对比学习(GCL)通过学习增强的用户和项目表示,在解决监督标签短缺问题方面表现出了强大的性能。虽然它们中的许多显示了它们的有效性,但两个关键问题仍然未被探索:i)大多数现有的基于GCL的CF模型仍然受到忽略用户-项目交互行为通常由不同的潜在意图因素(例如,ii)他们引入的非自适应增强技术容易受到噪声信息的影响,这引起了对模型鲁棒性和引入误导性自我监督信号的风险的担忧。
2024-11-19 16:22:10
616
原创 Disentangled Causal Embedding With Contrastive Learning For Recommender System
推荐系统通常依赖观察到的用户交互数据来构建个性化推荐模型,并假设这些观察数据能够反映用户的兴趣。然而,用户与某一物品的交互也可能是由于从众心理,即跟随热门物品的需求所导致的。大多数现有研究忽略了用户的从众心理,并将其与兴趣混为一谈,这可能导致推荐系统无法提供令人满意的结果。因此,从因果关系的视角来看,解耦这些交互原因是一个关键问题。这对于解决训练数据和测试数据分布不一致(OOD)的问题也有所帮助。
2024-11-19 15:23:14
1052
原创 Modeling Temporal Positive and Negative Excitation for Sequential Recommendation
霍克斯过程的特性自激励:每个事件的发生都会增加未来事件的发生概率。互激励:在一个多维霍克斯过程中,一个维度的事件可以增加其他维度事件的发生概率。时变强度:事件的发生强度随时间变化,并且受到过去事件历史的影响。
2024-11-06 14:46:36
830
原创 Disentangled Graph Collaborative Filtering
从交互数据中学习用户和物品的信息表示对于协同过滤(CF)至关重要。现有的嵌入函数利用用户-物品关系来丰富表示,从单一的用户-物品实例发展到整体交互图。然而,这些方法大多以统一的方式对用户-物品关系进行建模,而忽略了用户采用物品的意图多样性,这些意图可能是为了消磨时间、出于兴趣,或是为家人等他人购物。这种对用户兴趣的统一建模方法容易导致表示不佳,无法有效建模多样化的关系并在表示中区分用户意图。在本文中,我们特别关注用户-物品关系在用户意图这一更细粒度层面上的表现。
2024-11-05 19:55:40
979
原创 TwinCL: A Twin Graph Contrastive Learning Model for Collaborative Filtering
在推荐和协同过滤领域,图对比学习(Graph Contrasive Learning,GCL)已经成为一种有影响的方法。然而,对比学习有效性的原因还没有得到很好的理解。本文对的方法提出了质疑,因为这些方法可能会破坏图神经网络的结构和语义信息.此外,固定速率的数据增强被证明与具有自适应速率的增强相比效率较低。在初始训练阶段,较大的扰动更适合,而随着训练接近收敛,较温和的扰动产生较好的结果。我们引入了一个,证明了传统增强技术的冗余性。
2024-11-05 16:02:22
1028
原创 Knowledge-refined Denoising Network for Robust Recommendation
(1)自适应知识精炼,其使用参数化的二进制掩码来学习以无偏梯度估计器去除不相关的事实,同时设计了组合知识聚合器以有效地集成不同种类的知识关联用于上下文传播(2)对比去噪学习,其关注协作信号和知识信号的差异以对比方式识别噪声交互,并且迭代地执行关系感知图自增强以增强用户表示。
2024-10-31 23:21:17
785
原创 Efficient Adaptive Matching for Real-Time City Express Delivery
站点集合:S快递员集合:C公路网:G=(L,E,W) l属于L,代表交叉路口,e12属于 E,代表两个路口(l1,l2)之间的边,w12,表示边e12上的权重。站点s=(ls,Cs,Rs)其中ls属于L,代表站点的位置,Cs代表该站点雇佣的快递员数量,Rs代表站点服务的区域。分配任务: γ =(lγ,tγ),从站点取出包裹必须在时间tγ之前送到位置lγ。收集任务:λ = (bλ ,lλ ,tλ ,ρλ ),包裹在时间bλ 出现,位置在lλ ,必须在时间tλ 之前收集到该包裹,收取费用为ρλ。
2024-10-31 11:27:03
862
原创 Information-Controllable Graph Contrastive Learning for Recommendation
CL被纳入推荐系统,主要是为了解决标签稀疏性的挑战,使用自监督信号。
2024-10-24 22:38:13
1014
原创 SIGformer: Sign-aware Graph Transformer for Recommendation
在推荐系统中,大多数基于图的方法只关注用户的正面反馈,而忽略了有价值的负面反馈。将正反馈和负反馈结合起来形成一个带符号的图,可以更全面地理解用户的偏好。然而,现有的两类反馈融合算法存在两个主要局限性:1)它们分别处理正反馈和负反馈,无法从整体上利用签名图中的协作信息;2)它们依赖于MLP或GNN从负反馈中提取信息,可能效果不佳.为了克服这些局限性,我们引入了SIGformer,一种新的基于符号感知的图推荐方法。
2024-10-14 22:55:57
866
原创 RLRF4Rec: Reinforcement Learning from Recsys Feedback for Enhanced Recommendation Reranking
大型语言模型(LLMs)在多个领域展现了出色的表现,这促使研究人员探索其在推荐系统中的潜力。初步尝试利用LLMs的卓越能力,例如通过上下文学习(In-context Learning)实现的丰富知识和强大的泛化能力,将推荐任务以提示(prompts)的形式进行。然而,由于LLMs的训练任务与推荐任务之间存在显著差异,以及在预训练过程中缺乏足够的推荐数据,LLMs在推荐任务中的表现仍不尽如人意。
2024-10-14 20:50:10
524
原创 TransGNN: Harnessing the Collaborative Power of Transformers and Graph Neural Networks for Recommend
图神经网络(GNNs)已经成为协同过滤(CF)中极具前景的解决方案,通过建模用户-项目交互图来实现。现有基于GNN的推荐系统的核心在于沿着用户-项目交互边递归地传递消息以细化编码嵌入。尽管它们已显示出有效性,但当前的GNN方法仍面临有限感受野和存在噪声“兴趣无关”连接的挑战。相比之下,基于Transformer的方法在自适应和全局地聚合信息方面表现出色。然而,它们在大规模交互图上的应用受到捕获复杂、纠缠结构信息的固有复杂性和挑战的限制。
2024-10-11 16:47:43
1087
原创 Adaptive Graph Contrastive Learning for Recommendation
图神经网络(GNNs)最近作为推荐系统中的有效协同过滤(CF)方法受到关注。基于GNN的推荐系统的关键思想是通过用户-项目交互边沿进行递归消息传递,以优化编码嵌入,依赖于充足且高质量的训练数据。然而,实际推荐场景中的用户行为数据通常是噪声较大且分布偏斜的。为了解决这些问题,一些推荐方法(如SGL)利用自监督学习来改善用户表示。这些方法通过创建对比视图进行自监督学习,但它们依赖于繁琐的试错选择增强方法。
2024-09-26 10:01:22
640
原创 Structure-Aware Transformer for Graph Representation Learning
Transformers (Vaswani et al., 2017),已被证明在自然语言理解 (Vaswani et al., 2017)、计算机视觉 (Dosovitskiy et al., 2020) 和生物序列建模 (Rives et al., 2020) 方面取得了成功。2021),提供了解决这些问题的潜力。Transformer 架构不仅仅在消息传递机制中聚合本地邻域信息,而是能够通过单个自注意力层捕获任何节点对之间的交互信息。
2024-09-25 22:39:40
1226
原创 TransGNN: Harnessing the Collaborative Power of Transformers and Graph Neural Networks for Recommend
图神经网络 (GNN) 通过对用户-项目交互图进行建模,已成为协作过滤 (CF) 的有前途的解决方案。现有基于 GNN 的推荐系统的核心涉及沿着用户-项目交互边缘传递递归消息以细化编码嵌入。尽管它们已被证明是有效的,但当前基于 GNN 的方法遇到了有限感受野和存在噪声“兴趣无关”连接的挑战。相比之下,基于 Transformer 的方法在自适应和全局地聚合信息方面表现出色。然而,它们在大规模交互图上的应用受到固有的复杂性和捕获复杂、纠缠结构信息的挑战的阻碍。
2024-09-25 10:35:15
812
原创 【LLMRG: Improving Recommendations through Large Language Model Reasoning Graphs】(AAAI24)
推荐系统旨在为用户提供相关的建议,但往往缺乏可解释性,并且无法捕捉用户行为和简档之间的更高级别的语义关系。为此,本文提出了一种利用大型语言模型构造个性化推理图的方法。这些图表通过因果和逻辑推理将用户的属性和行为序列链接起来,以可解释的方式表示用户的兴趣。本文提出的LLM推理图(LLMRG)由链式图推理、发散扩展、自验证与评分、知识库自改进四个部分组成。使用图神经网络对所得到的推理图进行编码,该图神经网络用作改进传统推荐器系统的附加输入,而不需要额外的用户或项目信息。
2024-09-20 10:47:24
426
原创 Layer-refined Graph Convolutional Networks for Recommendation【ICDE2023】
基于图卷积网络(GCN)的抽象推荐模型综合了用户-项目交互图的节点信息和拓扑结构,具有良好的性能.然而,这些基于GCN的推荐模型不仅在堆叠太多层时会出现过平滑,而且在用户-项目交互中会存在噪声,从而导致性能退化。本文首先指出了现有的基于GCN的推荐模型中存在的过度平滑和解崩溃的问题。具体而言,这些模型通常会聚合所有层的嵌入以进行节点更新,并由于过度平滑而在几个层内实现最佳推荐性能。
2024-08-25 20:54:36
479
原创 Knowledge-Adaptive Contrastive Learning for Recommendation
用户物品交互图:用户和物品有交互则存在边,反之不存在边知识图谱:物品和属性问题:通过交互图和知识图谱,学习一个函数,来预测用户将会交互的物品。
2024-08-16 17:40:22
1173
原创 【A Multi-view Graph Contrastive Learning Framework for Cross-Domain Sequential Recommendation】
1.用户:U, 物品:I2.每个用户𝑢 ∈ U的目标领域行为序列为X = {𝑥1, 𝑥2, . . . , 𝑥𝐿 }(按交互时间排序)3.该序列由目标领域物品集合中的𝐿个物品组成。如果序列长度小于𝐿,则会在序列开始处反复添加填充物品。4.X𝑡 = {𝑥1, 𝑥2, . . . , 𝑥𝑡 },1 ⩽ 𝑡 ⩽ 𝐿,表示针对序列X在时间步𝑡的截断行为序列。同样地,我们用Y𝑡′= {𝑦1, 𝑦2, . . . , 𝑦𝑡′ }表示源领域的截断物品序列。
2024-08-16 14:07:33
700
原创 【Knowledge Graph Context-Enhanced Diversified Recommendation(MSDM2024)】
推荐系统(RecSys)领域已被广泛研究,以通过利用用户的历史交互来提高准确性。尽管如此,这种对准确性的持续追求常常导致多样性的减少,最终导致众所周知的“回音室”现象。的RecSys作为一种对策应运而生,将并列,引起了学术界和行业从业者的高度关注。这项研究探索了知识图 (KG) 复杂背景下的多样化 RecSys。这些知识图谱充当有关实体和项目的互连信息的存储库,通过结合有洞察力的上下文信息,提供了一个扩大推荐多样性的有利途径。
2024-06-27 17:16:57
1059
原创 【DKN: Deep Knowledge-Aware Network for News Recommendation】
在线新闻推荐系统旨在解决新闻信息爆炸的问题,为用户进行个性化推荐。总体而言,新闻语言高度凝练,充满知识实体和常识。然而,现有的方法并没有意识到这些外部知识,也无法充分发现新闻之间潜在的知识层面的联系。因此,向用户推荐的结果仅限于简单的模式,并且不能合理扩展。为了解决上述问题,在本文中,我们提出了一种将知识图表示纳入新闻推荐的深度知识感知网络(DKN)。DKN 是一个基于内容的深度推荐框架,用于预测点击率。
2024-06-20 22:38:01
1196
原创 SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation
然而,现实世界的数据通常包含噪音,例如用户的误点击、临时意图或兴趣转移[28]。值得注意的是,“噪音”的概念对于不同的用户来说是不同的,因为一些用户有不同的兴趣,而另一些用户则有更稳定的偏好。首先,现有的序列模型主要关注个体交互序列的长期建模,忽视了不同用户行为之间有价值的短期协作关系。其次,现实世界的数据通常包含噪音,特别是在用户的短期行为中,这些行为可能是由临时意图或误点击引起的。重要的是,我们的个性化自我增强学习结构通过基于长期用户兴趣和个人稳定性减轻短期图中的噪声来增强模型的稳健性。
2024-06-17 17:37:16
633
原创 Locality-aware subgraphs for inductive link prediction in knowledge graphs
最近的知识图(KG)归纳推理方法将链接预测问题转化为图分类任务。他们首先根据目标实体的 k 跳邻域提取每个目标链接周围的子图,使用图神经网络 (GNN) 对子图进行编码,然后学习将子图结构模式映射到链接存在的函数。尽管这些方法取得了巨大的成功,但增加 k 通常会导致邻域呈指数扩张,从而因过度平滑而降低 GNN 的表达能力。在本文中,我们将过程,旨在基于个性化 PageRank (PPR) 方法对目标链接周围紧密相关的子图进行采样。
2024-06-05 21:07:08
656
原创 【Torch学习笔记】
是用于沿新维度将多个张量堆叠在一起的函数。它要求所有输入张量具有相同的形状,并在指定的新维度上进行堆叠。cat stack 的区别。
2024-05-26 22:18:56
348
原创 Multi-objective reinforcement learning approach for trip recommendation
行程推荐是一项智能服务,为游客在陌生的城市提供个性化的行程规划。它旨在构建一系列有序的 POI,在时间和空间限制下最大化用户的旅行体验。将候选 POI 添加到推荐行程时,根据实时上下文捕获用户的动态偏好至关重要。同时,个性化出行中POI的多样性和流行度对用户的选择起着重要作用。为了应对这些挑战,在本文中,我们提出了 **MORL-Trip(旅行推荐多目标强化学习的缩写)**方法。,并在 Actor-Critic 框架上实现。
2024-05-25 16:18:48
744
原创 HMAR: Hierarchical Masked Attention for Multi-Behaviour Recommendation
在推荐系统的背景下,解决多行为用户交互对于理解不断变化的用户行为至关重要。最近的模型利用图神经网络和注意力机制等技术来建模不同的行为,但捕获历史交互中的顺序模式仍然具有挑战性。为了解决这个问题,我们引入了多行为推荐的分层屏蔽注意力(HMAR)。具体来说,我们的方法将屏蔽自注意力应用于相同行为的项目,然后对所有行为进行自注意力。此外,我们提出历史行为指标来对输入序列中每个项目的行为的历史频率进行编码。此外,HMAR 模型在多任务设置中运行,使其能够同时学习项目行为及其相关的排名分数。
2024-05-21 20:53:39
699
原创 子图生成论文思路对比
论文1:Knowledge-Enhanced Recommendation with User-Centric Subgraph Network论文1博客:https://blog.csdn.net/Zjkorigin/article/details/137119122?论文2:LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS。
2024-05-18 11:00:17
466
原创 LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS
为了推断知识图 (KG) 上的新事实,链接预测器从图结构中学习并收集本地证据以找到给定查询的答案。然而,由于利用整个知识图谱进行预测,现有方法面临严重的可扩展性问题,这阻碍了它们在大规模知识图谱上的应用,并且无法通过普通采样方法直接解决。在这项工作中,我们提出了一次性子图链接预测来实现高效和自适应的预测。设计原则是,预测过程不是直接作用于整个知识图谱,而是解耦为两个步骤,即(i)根据查询仅提取一个子图,以及(ii)对这个单一的、依赖于查询的子图进行预测。我们发现,非参数和计算高效的启发式。
2024-05-17 23:46:34
997
2
原创 Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
推荐系统,目前在各种平台上广泛应用,根据用户的喜好向用户推荐相关项目。依赖于用户-项目交互矩阵的经典方法有局限性,特别是在缺乏新项目交互数据的情况下。基于知识图(KG)的推荐系统已成为一种有前途的解决方案。然而,大多数基于知识图谱的方法采用节点嵌入,不能为不同用户提供个性化推荐,也不能很好地推广到新项目。为了解决这些限制,我们提出了知识增强的以用户为中心的子图网络(KUCNet),这是一种使用图神经网络(GNN)进行有效推荐的子图学习方法。KUCNet 为每个用户-项目对构建一个 U-I 子图。
2024-05-17 23:04:38
1221
原创 Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System
知识图(KG)在推荐系统中发挥着越来越重要的作用。近年来,基于图神经网络(GNN)的模型逐渐成为知识感知推荐(KGR)的主题。然而,基于GNN的KGR模型存在一个天然的缺陷,即监督信号稀疏问题,这可能会使其实际性能有所下降。受最近对比学习在从数据本身挖掘监督信号方面取得的成功的启发,在本文中,我们重点探索 KG 感知推荐中的对比学习,并提出了一种新颖的多级跨视图对比学习机制,称为MCCLK。与传统的对比学习方法通过统一的数据增强方案(例如损坏或丢弃)生成两个图视图不同,我们综合考虑了知识图谱感知推荐的。
2024-05-16 12:52:39
1046
原创 Contrastive State Augmentations for Reinforcement Learning-Based Recommender Systems
从历史用户-项目交互序列中学习基于强化学习(RL)的推荐器对于生成高回报推荐和提高长期累积效益至关重要。然而,现有的强化学习推荐方法遇到困难(i)估计离线训练数据中未包含的状态的价值函数,以及(ii)由于缺乏对比信号而从用户隐式反馈中学习有效的状态表示。在这项工作中,我们提出了(CSA)来训练基于强化学习的推荐系统。为了解决第一个问题,我们提出了四种状态增强策略来。该方法通过使 RL 代理访问局部状态区域并确保原始状态和增强状态之间的学习值函数相似,提高了推荐器的泛化能力。
2024-05-15 11:28:52
895
原创 Revisiting Graph based Social Recommendation: A Distillation Enhanced Social Graph Network
社交推荐利用社交关系构建推荐系统(RS),在缓解信息过载方面发挥着重要作用。最近,图神经网络(GNN)由于其强大的图数据容量而受到越来越多的关注。由于RS中的数据本质上是图的结构,因此基于GNN的RS正在蓬勃发展。然而现有作品缺乏对社会推荐的深入思考。这些方法包含隐含的假设,在实践中没有得到很好的分析。为了解决这些问题,我们对广泛使用的社交推荐数据集进行统计分析。我们设计了评估社交信息的指标,这可以为我们是否以及如何在 RS 任务中使用这些信息提供指导。
2024-05-14 10:23:04
712
原创 Heterogeneous Graph Contrastive Learning for Recommendation
图神经网络(GNN)已成为推荐系统中对图结构数据进行建模的强大工具。然而,现实生活中的推荐场景通常涉及异构关系(例如,社交感知的用户影响力、知识感知的项目依赖性),其中包含丰富的信息来增强用户偏好学习。在本文中,我们研究了异构图增强关系学习的推荐问题。最近,对比自监督学习在推荐领域取得了成功。鉴于此,我们提出了一种HGCL,它能够将异构关系语义纳入用户-项目交互模型中,并通过学习增强知识转移。然而,异构辅助信息对交互的影响可能因用户和项目而异。为了推进这个想法,我们通过。
2024-05-13 17:49:08
952
原创 MMKGR: Multi-hop Multi-modal Knowledge Graph Reasoning
多模态知识图(MKG)不仅包含结构数据,还包含额外的多模态辅助数据(即文本和图像),与现实世界数据相比更符合现实世界数据的特征。尽管MKG包含丰富的信息,但它仍然受到KG天然不完整性的影响,上图中遗漏了一个三元组(泰坦尼克号、主演、凯特·温斯莱特),这极大地阻碍了MKG的应用。为了解决知识图谱自然不完整性的问题,人们提出了各种知识图谱推理方法。这些方法的关键思想是通过有效整合图中现有信息来推断新知识,并且它们主要关注传统知识图谱,而不考虑多模态知识。
2024-05-13 14:46:16
1128
原创 Multi-modal Knowledge-aware Reinforcement Learning Network for Explainable Recommendation
融合多模态在知识图谱上里用强化学习进行可解释性推理
2024-05-12 20:37:18
861
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人