推荐系统
文章平均质量分 88
推荐论文总结
唯一的哈姆雷特
这个作者很懒,什么都没留下…
展开
-
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。原创 2024-10-14 22:55:57 · 379 阅读 · 0 评论 -
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。原创 2024-09-26 10:01:22 · 546 阅读 · 0 评论 -
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。原创 2024-09-25 22:39:40 · 1103 阅读 · 0 评论 -
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。原创 2024-09-25 10:35:15 · 688 阅读 · 0 评论 -
【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。原创 2024-09-20 10:47:24 · 286 阅读 · 0 评论 -
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。原创 2024-08-25 20:54:36 · 416 阅读 · 0 评论 -
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。原创 2024-08-16 17:40:22 · 1039 阅读 · 0 评论 -
【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。原创 2024-08-16 14:07:33 · 628 阅读 · 0 评论 -
【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。原创 2024-06-27 17:16:57 · 979 阅读 · 0 评论 -
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。原创 2024-06-05 21:07:08 · 596 阅读 · 0 评论 -
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。原创 2024-05-25 16:18:48 · 666 阅读 · 0 评论 -
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。原创 2024-05-21 20:53:39 · 654 阅读 · 0 评论 -
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。原创 2024-05-14 10:23:04 · 639 阅读 · 0 评论 -
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。原创 2024-05-18 11:00:17 · 431 阅读 · 0 评论 -
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。原创 2024-05-17 23:46:34 · 934 阅读 · 2 评论 -
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。原创 2024-05-17 23:04:38 · 1141 阅读 · 0 评论 -
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原创 2024-05-12 20:37:18 · 826 阅读 · 0 评论