Enhancing Collaborative Semantics of Language Model-Driven Recommendations via Graph-Aware Learning
Lenovo Research（联想研究院）
针对大语言模型推荐中语义空间偏差、协同信息捕捉不足的问题，提出图感知学习框架GAL-Rec，通过模仿GNN多跳信息聚合增强协同语义理解，在三个真实数据集上提升了推荐性能。
2024-06-19 cs.AI cs.IR
URIR: Recommendation algorithm of user RNN encoder and item encoder based on knowledge graph
Yunnan University（云南大学）；Yunnan Power Grid Co., Ltd（云南电网有限责任公司）；Shantou University（汕头大学）；Kunming University of Science and Technology（昆明理工大学）
由于信息量大，用户很难在众多的选择中找到自己感兴趣的内容。为了提高用户体验，推荐系统已经广泛应用于音乐推荐、电影推荐、在线购物等场景。近年来，知识图谱（KG）被证明是提高推荐系统性能的有效工具。然而，将知识图谱应用于推荐的一个巨大挑战是如何利用知识图谱获得更好的用户代码和项目代码。针对这一问题，本研究提出了一种基于知识图谱的用户递归神经网络编码器和项目编码器推荐算法。通过获取项目的高层邻居信息对项目进行编码，生成项目的表示向量，并利用RNN和项目的表示向量对用户进行编码，生成用户的表示向量，然后对用户的表示向量和项目的表示向量进行内积运算，得到用户与项目交互的概率。在三个真实数据集上的数值实验表明，URIR在AUC、精度、召回率和MRR等指标上优于现有算法。这意味着URIR可以有效地利用知识图谱来获得更好的用户代码和项目代码，从而获得更好的推荐结果。
2021-11-01 cs.AI cs.IR
Dynamic Knowledge Selector and Evaluator for recommendation with Knowledge Graph
针对知识图谱推荐中标签稀疏、噪声实体影响精度的问题，提出协同信号引导的动态知识选择评估方法，含链路径评估器与知识选择器，在三个公开数据集上表现优于现有最优基线。
2025-02-21 cs.AI cs.IR
SMR: Medical Knowledge Graph Embedding for Safe Medicine Recommendation
Shanghai Shuguang Hospital Affiliated to Shanghai University of Traditional Chinese Medicine（上海中医药大学附属曙光医院）；Southeast University（东南大学）；Tongji University（同济大学）；The University of Queensland（昆士兰大学）；Xi’an Jiaotong University（西安交通大学）
大多数现有的主要基于电子病历（EMR）的药物推荐系统正在显著地帮助医生做出更好的临床决策，使患者和护理人员受益。尽管在大数据时代电子病历的增长速度非常快，但电子病历中的内容限制限制了现有的推荐系统，以反映相关的医学事实，如药物相互作用。许多包含药物相关信息的医学知识图谱，如DrugBank，可能会给推荐系统带来希望。然而，这些知识图谱在系统中的直接使用遭受由图的不完整性引起的鲁棒性。为了解决这些挑战，我们站在图嵌入学习技术的最新进展，并在本文中提出了一个新的框架，称为安全医学推荐（SMR）。具体来说，SMR首先通过桥接EMR（MIMIC-III）和医学知识图谱（ICD-9本体和DrugBank）来构建高质量的异构图。然后，SMR将疾病、药物、患者及其对应关系共同嵌入到共享的低维空间中。最后，SMR使用嵌入将药物推荐分解为链接预测过程，同时考虑患者的诊断和药物不良反应。据我们所知，SMR是世界上第一个学习患者-疾病-药物图嵌入的药物推荐。在真实数据集上进行了大量的实验，以评估所提出的框架的有效性。
2020-11-29 cs.AI cs.IR
Multi-Aggregator Time-Warping Heterogeneous Graph Neural Network for Personalized Micro-Video Recommendation
Georgia State University（佐治亚州立大学）
针对现有微视频推荐未充分考虑新闻类内容高时效性、用户兴趣动态变化等问题，提出多聚合器时间扭曲异构图神经网络MTHGNN，通过多聚合器挖掘偏好、捕捉时序动态并兼顾时效性，在对比实验中表现优于现有最优方法。
2025-03-21 cs.AI cs.IR
Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Personalized Recommendation
The Chinese University of Hong Kong（香港中文大学）；Microsoft Research Asia（微软亚洲研究院）；Carnegie Mellon University（卡内基梅隆大学）
为了解决传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱来补充辅助信息成为近年来的研究热点。然而，在现有的基于KG的RS模型中，简单地集成KG并不一定能保证提高推荐性能，这甚至可能削弱整体模型的能力。这是因为这些KG的构建独立于历史用户-项目交互的收集;因此，这些KG中的信息可能并不总是有助于向所有用户推荐。在本文中，我们提出了专注的知识感知的图卷积网络与个性化推荐的协作指导（CG-KGR）。CG-KGR是一种新的知识感知推荐模型，通过我们提出的协作指导机制，可以充分和一致地学习知识组和用户-项目交互。具体来说，CG-KGR首先将历史交互封装为交互式信息摘要。然后CG-KGR利用它作为指导，以提取信息的KG，最终提供更精确的个性化推荐。我们在四个真实世界的数据集上进行了两个推荐任务的广泛实验，即，Top-K推荐和点击率（CTR）预测。实验结果表明，CG-KGR模型在Top-K推荐的召回度量方面显著优于最近的最先进的模型1.4-27.0%。
2022-01-02 cs.AI cs.IR
Neural-Symbolic Recommendation with Graph-Enhanced Information
Huzhou University（湖州师范学院）；Guizhou University（贵州大学）
本文提出一种结合图神经网络全局隐式推理与命题逻辑局部显式推理的神经符号推荐模型，在五个公开数据集上取得了优于现有方法的推荐效果。
2023-07-11 cs.AI cs.IR
HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation
Alibaba Group（阿里巴巴集团）
提出分层图对比学习（HGCL），通过跨层对比预训练和分层图微调，利用物品分层结构提升推荐准确性，在多个基准数据集上优于现有模型。
2025-05-25 cs.AI cs.IR
Enhancing Sequential Recommendation with Graph Contrastive Learning
Shandong University（山东大学）；Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
顺序推荐系统通过捕捉用户的动态行为模式来预测用户的下一次交互行为。现有的顺序推荐方法大多只利用单个交互序列的局部上下文信息，并仅基于项目预测损失来学习模型参数。因此，他们通常无法学习适当的序列表示。提出了一种新的推荐框架--图对比学习顺序推荐（GCL 4SR）。具体而言，GCL 4SR采用加权项目转换图（WITG），建立在所有用户的交互序列的基础上，提供全局上下文信息的每一个交互和削弱序列数据中的噪声信息。此外，GCL 4SR使用WITG的子图来增强每个交互序列的表示。还提出了两个辅助学习目标，以最大限度地提高由相同的交互序列在WITG上诱导的增强表示之间的一致性，并最小化由WITG上的全局上下文增强的表示与原始序列的局部表示之间的差异。在真实数据集上的大量实验表明，GCL 4SR始终优于最先进的顺序推荐方法。
2022-06-07 cs.AI cs.IR
LLM-Enhanced User-Item Interactions: Leveraging Edge Information for Optimized Recommendations
Arizona State University（亚利桑那州立大学）
本文提出将图边信息通过提示设计和注意力机制融入LLM，以整合图结构与文本生成视角，提升个性化推荐的相关性和质量。
2025-07-17 cs.AI cs.IR
Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints
推荐系统为用户提供了一个适当限制的最近在线的大量信息。基于会话的推荐是推荐系统的一个子领域，它试图通过解释由项目序列组成的会话来推荐项目。最近，在这些会话中包括用户信息的研究正在取得进展。然而，难以生成包括由用户生成的会话表示的高质量用户表示。在本文中，我们考虑各种关系的图创建会话通过异构注意力网络。约束还强制用户表示考虑会话中呈现的用户偏好。它试图通过在培训过程中的额外优化来提高性能。该模型在各种真实数据集上的性能优于其他方法。
2022-06-26 cs.AI cs.IR
SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；The University of Sydney（悉尼大学）；Zhejiang Lab（之江实验室）
基于会话的推荐（SBR）问题，其重点是对匿名用户的下一个项目的预测，受到越来越多的研究人员的关注。现有的基于图的SBR方法都缺乏区分具有相同最后一项的会话的能力，并且遭受严重的流行偏差。受对比学习方法的启发，提出了一种基于会话推荐的简单对比图神经网络（SimCGNN）。在SimCGNN中，我们首先在构建的会话图上获得规范化的会话嵌入。接下来，我们通过两个前向传播和一个新的负样本选择策略来构造会话的正样本和负样本，然后计算建设性损失。最后，会话嵌入用于给出预测。在两个真实数据集上进行的大量实验表明，我们的SimCGNN与最先进的方法相比取得了显着的改进。
2023-02-08 cs.AI cs.IR
Research on Personalized Financial Product Recommendation by Integrating Large Language Models and Graph Neural Networks
Washington University in St. Louis（圣路易斯华盛顿大学）；Columbia University（哥伦比亚大学）；University of Nebraska - Lincoln（内布拉斯加大学林肯分校）
本文提出融合大语言模型与图神经网络的混合框架，通过文本编码和异构图消息传递联合优化嵌入，在金融推荐中实现更高准确率、召回率、NDCG及可解释性。
2025-06-06 cs.AI cs.IR
Localized Graph Collaborative Filtering
Michigan State University（密歇根州立大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft（微软公司）
推荐中的用户-项目交互可以自然地被称为用户-项目二分图。鉴于图神经网络（GNN）在图表示学习中的成功，已经提出了基于GNN的C方法来改进推荐系统。这些方法通常会根据学习到的用户和项目嵌入进行推荐。然而，我们发现，他们没有表现得很好，稀疏的用户项目图，这是在现实世界中很常见的建议。因此，在这项工作中，我们引入了一个新的视角来构建基于GNN的CF方法，用于推荐，这导致了所提出的框架本地化图协同过滤（LGCF）。LGCF的一个关键优势是它不需要为每个用户和项目学习嵌入，这在稀疏场景中具有挑战性。或者，LGCF旨在将有用的CF信息编码到本地化图中，并基于该图进行推荐。在各种数据集上的大量实验验证了LGCF的有效性，特别是在稀疏场景中。此外，实验结果表明，LGCF提供了补充信息的嵌入式CF模型，可以用来提高推荐性能。
2022-01-05 cs.AI cs.IR
Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；RIIS & SIME, Shanghai University of Finance and Economics（上海财经大学RIIS与SIME机构）；China Mobile Research Institute（中国移动研究院）
本文提出KG-CRS，通过将用户-物品图与物品-属性图融合为动态图并利用邻居传播学习嵌入，有效建模属性、用户和物品间关系，在三个数据集上验证了其在推荐和对话任务中的优越性。
2024-08-02 cs.AI cs.IR
COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce
Rutgers University（罗格斯大学）；HPI/University of Potsdam（波茨坦大学哈索·普拉特纳研究院）
在这项工作中，我们提出了一个新的数据集的会话推荐知识图谱在电子商业平台称为COOKIE。该数据集是从亚马逊评论语料库构建的，通过集成用户代理对话和自定义知识图谱进行推荐。具体来说，我们首先构建一个统一的知识图谱，并提取用户-产品对之间的关键实体，作为对话的骨架。然后，我们模拟会话反映人类粗到细的过程中选择首选项。所提出的基线和实验表明，我们的数据集能够为会话推荐提供创新的机会。
2020-08-21 cs.AI cs.CL cs.IR
Fairness-Aware Explainable Recommendation over Knowledge Graphs
Rutgers University（罗格斯大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Washington（华盛顿大学）
最近，人们越来越关注公平性的考虑，特别是在智能决策系统的背景下。特别是可解释的推荐系统，可能会受到解释偏差和性能差异的影响。在本文中，我们分析了不同群体的用户，根据他们的活动水平，发现不同群体之间的推荐性能存在偏见。我们表明，不活跃的用户可能更容易收到不满意的建议，由于不活跃的用户的训练数据不足，他们的建议可能会有偏见的培训记录更活跃的用户，由于协同过滤的性质，这导致系统的不公平待遇。我们提出了一个公平性约束的方法，通过启发式重新排名，以减轻这种不公平的问题，在知识图谱的背景下，可解释的建议。我们在几个真实世界的数据集上进行实验，使用最先进的基于知识图谱的可解释推荐算法。实验结果表明，该算法不仅能够提供高质量的可解释推荐，而且在多个方面降低了推荐的不公平性。
2020-06-28 cs.AI cs.IR cs.SI
Semi-decentralized Federated Ego Graph Learning for Recommendation
Southern University of Science and Technology（南方科技大学）；The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）
基于协同过滤（CF）的推荐系统通常基于个人交互数据（例如，点击和购买），这些可以自然地表示为自我图。然而，现有的推荐方法大多收集所有用户的自我图组成一个全局图，以获取用户与项目之间的高阶协作信息，这些集中式CF推荐方法不可避免地导致用户隐私泄露的高风险。虽然最近提出的联合推荐系统可以缓解隐私问题，但它们要么将设备上的本地训练限制在孤立的自我图上，要么依赖于额外的第三方服务器来访问其他自我图，从而导致繁琐的管道，这在实践中很难工作。此外，现有的联合推荐系统需要资源有限的设备来维护整个嵌入表，从而导致高通信成本。有鉴于此，我们提出了一个半分散的联合自我图学习框架的设备上的建议，命名为SemiDFEGL，它引入了新的设备到设备的协作，以提高可扩展性和降低通信成本，并创新地利用预测的交互项目节点连接孤立的自我图，以增加本地子图，以便高阶用户项目的协作信息可以在隐私保护的方式使用。此外，所提出的框架是模型不可知的，这意味着它可以与现有的基于图神经网络的推荐方法和隐私保护技术无缝集成。为了验证所提出的SemiDFEGL的有效性，在三个公共数据集上进行了大量的实验，实验结果表明了所提出的SemiDFEGL与其他联邦推荐方法相比的优越性.
2023-02-10 cs.AI cs.IR cs.LG
Knowledge graph-based personalized multimodal recommendation fusion framework
针对传统推荐方法难以捕捉用户细微兴趣的问题，提出CrossGMMI-DUKGLR框架，结合预训练模型、多头交叉注意力与图注意力网络，优化多模态融合与高阶依赖建模，提升推荐表征精度。
2025-09-03 cs.IR
Graph Learning Augmented Heterogeneous Graph Neural Network for Social Recommendation
基于社会网络的社会化推荐在提高推荐系统性能方面取得了巨大的成功。由于社交网络（用户-用户关系）和用户-项目交互都自然地表示为图结构数据，因此图神经网络（GNN）已被广泛应用于社交推荐。在这项工作中，我们提出了一个端到端的异构全局图学习框架，即图学习增强异构图神经网络（GL-HGNN）的社会推荐。GL-HGNN的目标是学习一个异构的全局图，在一个统一的角度，充分利用用户之间的关系，用户之间的相互作用和项目之间的相似性。为此，我们设计了一个图学习器（GL）的方法来学习和优化用户-用户和项目-项目连接分别。此外，我们采用了异构图神经网络（HGNN）从我们学习的异构全局图捕捉高阶复杂的语义关系。为了提高图学习的计算量，我们进一步提出了基于锚点的图学习器（AGL），以降低计算复杂性。在四个真实数据集上的实验证明了该模型的有效性。
2021-09-24 cs.IR
Graphs are everywhere -- Psst! In Music Recommendation too
本研究探讨了图卷积网络、GraphSAGE和图Transformer在音乐推荐中的应用，通过结合MFCC特征与图嵌入捕捉音乐项目与流派的复杂关系，实验证明图增强方法在预测流派偏好和推荐准确率上优于传统MFCC或协同过滤方法。
2025-04-04 cs.IR
LLM is Knowledge Graph Reasoner: LLM's Intuition-aware Knowledge Graph Reasoning for Cold-start Sequential Recommendation
针对冷启动序列推荐中时间信息缺失和可扩展性问题，提出LIKR模型，将LLM作为知识图谱推理器，通过强化学习整合LLM直觉与图谱嵌入，提升冷启动推荐性能。
2024-12-17 cs.IR
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展，有越来越多的关注，适当的评价推荐算法。在本文中，我们重新评估前N推荐算法的替代实验设置，考虑三个重要因素，即数据集分割，采样指标和域选择。我们选择了八种有代表性的推荐算法（包括传统方法和神经方法），并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项，我们在这三个因素上得出了一些重要的发现，这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
G$^3$SR: Global Graph Guided Session-based Recommendation
Sun Yat-sen University（中山大学）；South China Agricultural University（华南农业大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于会话的推荐试图在无法获得目标用户的用户档案和完整的历史行为数据的情况下，利用匿名会话数据提供高质量的推荐。以前的作品考虑每个会话单独，并试图捕捉用户的兴趣在一个会话。尽管他们令人鼓舞的结果，这些模型只能感知会话内的项目，不能利用大量的历史关系信息。为了解决这个问题，我们提出了一种新的方法命名为G $^3$ SR（全局图引导会话为基础的推荐）。G $^3$ SR将基于会话的推荐工作流分解为两个步骤。首先，在所有会话数据上构建全局图，从该全局图中以无监督的方式学习全局项表示。然后，这些表示在图网络下的会话图上进行细化，并使用读出函数为每个会话生成会话表示。在两个真实世界的基准数据集上进行的大量实验表明，G $^3$ SR方法比最先进的方法有了显著和一致的改进，特别是对于冷项目。
2022-03-12 cs.AI cs.IR cs.LG
Graph Neural Netwrok with Interaction Pattern for Group Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家示范性软件学院））
随着社交平台的发展，人们越来越倾向于组合成群体参与一些活动，因此群体推荐逐渐成为一个值得研究的问题。对于群体推荐，一个重要的问题是如何通过个人的交互历史来获取群体和项目的特征表征，从而获得群体对项目的偏好。针对这一问题，我们提出了一种基于交互模式的群推荐图神经网络模型GIP 4GR。具体而言，该模型利用具有强大表示能力的图神经网络框架，在图的拓扑结构中表示群体-用户-项目之间的交互，同时通过分析图的交互模式来调整图神经网络的特征输出，得到群体和项目的特征表示，计算群体对项目的偏好。我们在两个真实世界的数据集上进行了大量的实验，以说明我们的模型的优越性能。
2021-09-21 cs.AI cs.IR cs.LG
Graph Neural Networks for Recommendation: Reproducibility, Graph Topology, and Node Representation
本教程探讨了推荐系统中图神经网络的三个关键方面：最先进方法的可复现性、图拓扑特性对模型性能的影响，以及从头训练或利用预训练嵌入学习节点表示的策略。
2023-11-28 cs.IR
Ripple Knowledge Graph Convolutional Networks For Recommendation Systems
Nagoya University（名古屋大学）；Deakin University（迪肯大学）；University of South Australia（南澳大学）；Hiroshima University（广岛大学）
针对推荐系统的效果提升问题，提出结合用户端与物品端知识图的RKGCN模型，动态分析用户偏好以丰富表征，在三个真实数据集上优于5个基线模型。
2024-04-10 cs.AI cs.IR cs.LG
Time-aware Path Reasoning on Knowledge Graph for Recommendation
知识图谱（KG）具有提供明确解释的能力，因此KG上的推理被研究用于可解释的推荐。然而，现有的基于KG的可解释推荐方法忽略了时间信息（如购买时间、推荐时间等），这可能导致不适当的解释。在这项工作中，我们提出了一种新的时间感知路径推理推荐（TPRec为短）方法，它利用时间信息的潜力，提供更好的推荐与合理的解释。首先，提出了一种有效的时间感知交互关系抽取组件，用于构建具有时间感知交互的协同知识图谱（TCKG），然后提出了一种新的时间感知路径推理方法用于推荐。我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明，TPRec可以成功地利用TCKG，以实现实质性的收益和提高质量的可解释的建议。
2022-05-16 cs.IR
HySAGE: A Hybrid Static and Adaptive Graph Embedding Network for Context-Drifting Recommendations
最近边缘设备和人工智能物联网（AIoT）的流行推动了新一波的上下文推荐，例如基于位置的兴趣点（POI）推荐和计算资源感知的移动应用推荐。在许多这样的推荐场景中，上下文随着时间的推移而漂移。例如，在移动游戏推荐中，移动设备的位置、电池和存储水平等上下文特征经常随着时间而漂移。然而，大多数现有的基于图的协同过滤方法是在静态特征的假设下设计的。因此，它们将需要频繁的再训练和/或产生大小迅速增长的图形模型，从而阻碍它们对上下文漂移推荐的适用性。在这项工作中，我们提出了一个专门定制的混合静态和自适应图嵌入（HySAGE）网络的上下文漂移的建议。我们的核心思想是理清相对静态的用户-项目交互和快速漂移的上下文特征。具体来说，我们提出的HySAGE网络从用户-项目交互中学习相对静态的图形嵌入，并从漂移的上下文特征中学习自适应嵌入。这些嵌入被合并到兴趣网络中，以在某些特定的上下文中生成用户兴趣。我们采用交互式注意模块来学习静态图嵌入、自适应上下文嵌入和用户兴趣之间的交互，从而帮助实现更好的最终表示。在真实数据集上的大量实验表明，HySAGE显著提高了现有推荐算法的性能。
2022-08-20 cs.IR
Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation
针对联邦GNN推荐中图卷积不完整导致性能下降的问题，提出LP-GCN，在隐私约束下利用去中心化子图实现无损卷积，性能媲美集中式方法并优于现有联邦方法。
2024-12-02 cs.IR
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱（KGs）来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中，最近的工作探索了图的拓扑结构，以学习具有丰富语义的用户和项目的低维表示。然而，这些现实世界中的三分图通常是无标度的，其内在的层次图结构在现有的工作中是强调不足，因此，导致次优的推荐性能。为了解决这个问题，提供更准确的推荐，我们提出了一种基于双曲几何的知识感知推荐方法，即洛伦兹知识增强的图卷积网络推荐（LKGR）。在数据统一后，LKGR有助于更好地建模无标度三部图。具体来说，我们采用不同的信息传播策略，在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献，在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明，LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
End-to-End Graph-Sequential Representation Learning for Accurate Recommendations
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所（AIRI））
本文提出一种端到端多表示学习框架，协同训练序列与图组件，在多个数据集上显著提升推荐性能。
2024-03-15 cs.AI cs.IR cs.LG
SUGER: A Subgraph-based Graph Convolutional Network Method for Bundle Recommendation
捆绑式推荐是推荐系统中一个新兴的研究方向，其重点是为用户推荐定制的捆绑式项目。虽然图神经网络（GNNs）已经被应用于该问题并取得了优异的性能，但现有的方法对图级GNN方法的探索不足，而图级GNN方法在传统的推荐系统中表现出了巨大的潜力。此外，它们通常缺乏从一个有足够监督的域到另一个可能遭受标签稀缺问题的域的可转移性。在这项工作中，我们提出了一个基于子图的图神经网络模型，SUGER，捆绑推荐，以处理这些限制。SUGER围绕用户束对生成异构子图，然后通过神经关系图传播将这些子图映射到用户的偏好预测。实验结果表明，SUGER显着优于国家的最先进的基线在基本和传输捆绑推荐问题。
2022-05-05 cs.IR
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；University of Hong Kong（香港大学）
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法，忽略了高阶的合作信号，如用户，食谱和食品之间的关系结构信息。在本文中，我们形式化的食谱推荐问题与图，将合作信号纳入食谱推荐通过图建模。特别是，我们首先提出了URI图，一个新的和大规模的用户配方成分图。然后，我们提出了RecipeRec，一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略，以自监督的方式提取信息丰富的图知识。最后，我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明，RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 cs.IR cs.LG
What You Like: Generating Explainable Topical Recommendations for Twitter Using Social Annotations
在Twitter上，每天发布超过5亿条推文，Twitter用户很难从大量无聊的帖子中发现有趣的内容。在这项工作中，我们提出了一个新的，可解释的，专题推荐系统，利用社会注释，以帮助Twitter用户发现推文，他们感兴趣的话题。在高容量社交网络中使用传统的依赖于评级的推荐系统（如协作过滤和基于内容的系统）的主要挑战是，由于注意力稀缺，大多数项目得不到任何评级。此外，大多数Twitter用户是被动消费者，44%的用户从不发推文，这使得使用用户评级来生成推荐非常困难。此外，开发推荐系统的一个关键挑战是，在许多情况下，如果用户完全不熟悉推荐项目，他们会拒绝相关的推荐。提供一个合适的解释，为什么该项目被推荐，大大提高了建议的可接受性。由于是一个专题推荐系统，我们的方法是能够产生的建议，目前简单的专题解释。与最先进的基于矩阵分解的协同过滤，基于内容和社会的建议的比较表明所提出的方法的有效性。
2022-12-23 cs.IR
Hybrid Recommendation System using Graph Neural Network and BERT Embeddings
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本研究提出结合图神经网络与句子转换器嵌入的混合动漫推荐模型，兼顾动漫特征与用户交互，可同时实现推荐与评分预测，提升推荐准确性并可跨领域扩展。
2023-10-07 cs.AI cs.IR cs.LG
Graph Embedding Based Hybrid Social Recommendation System
项目推荐任务是一个广泛研究的课题。深度学习和谱方法的最新发展为高效的图嵌入技术铺平了道路。但是很少有研究将这些图嵌入应用于社交图的推荐任务。本文重点研究了各种嵌入方法应用于社会图的项目推荐任务的性能。此外，提出了一种混合模型，其中所选择的嵌入模型组合在一起，给出一个集体输出。我们提出了这样一个混合模型的假设，将执行更好的推荐任务比个人嵌入。以个体嵌入为基准，对混合模型在同一任务下的推荐性能进行了评估和比较。标准度量用于定性比较。结果发现，所提出的混合模型优于基线。
2019-08-26 cs.IR cs.SI
Dynamic Graph Neural Networks for Sequential Recommendation
从用户的历史偏好序列中建模用户偏好是顺序推荐的核心问题之一。该领域现有的方法从常规方法到深度学习方法分布广泛。然而，大多数的模型只在自己的序列内的用户的兴趣，而忽略了不同的用户序列之间的动态协作信号，使得它不足以探索用户的偏好。我们从动态图神经网络中获得灵感来应对这一挑战，将用户序列和动态协作信号建模到一个框架中。本文提出了一种动态图神经网络的顺序推荐方法（DGSR），该方法通过动态图结构连接不同的用户序列，利用时间和顺序信息来研究用户和项目的交互行为。此外，我们设计了一个动态图推荐网络，从动态图中提取用户的偏好。因此，顺序推荐中的下一个项目预测任务被转换为动态图中的用户节点和项目节点之间的链接预测。在三个公共基准上的大量实验表明，DGSR优于几种最先进的方法。进一步的研究证明了通过动态图对用户序列建模的合理性和有效性。
2021-07-27 cs.IR
Knowledge Graph Enhanced Language Agents for Recommendation
University of Notre Dame（圣母大学）；Amazon（亚马逊公司）
针对语言智能体模拟推荐时缺乏用户与物品关系理解的问题，提出KGLA框架，通过将知识图谱路径作为自然语言描述融入模拟，显著提升了推荐性能。
2025-01-24 cs.AI cs.IR cs.MA
Graph Factorization Machines for Cross-Domain Recommendation
最近，图神经网络（GNNs）已成功地应用于推荐系统。在推荐系统中，用户对一个项目的反馈行为通常是多个因素同时作用的结果。然而，一个长期存在的挑战是如何有效地聚合GNN中的多阶相互作用。在本文中，我们提出了一个图因子分解机（GFM），它利用流行的因子分解机聚合多阶的相互作用，从邻居的推荐。同时，跨域推荐也成为解决推荐系统中数据稀疏性问题的一种可行方法。然而，大多数现有的跨域推荐方法可能会失败时，面对图结构的数据。为了解决这个问题，我们提出了一个通用的跨域推荐框架，它不仅可以应用于建议的GFM，也可以应用于其他GNN模型。我们在四对数据集上进行实验，以证明GFM的优越性能。此外，基于一般跨域推荐实验，我们还证明了我们的跨域框架不仅可以为GFM的跨域推荐任务做出贡献，而且对于各种现有GNN模型具有通用性和可扩展性。
2020-07-12 cs.IR
Top-Personalized-K Recommendation
本文提出 Top-Personalized-K 推荐任务，通过 PerK 框架利用校准交互概率估计用户效用并选择个性化推荐列表大小，以最大化个体满意度，实验证明其优于传统固定大小 Top-K 推荐。
2024-02-26 cs.IR
Global Context Enhanced Social Recommendation with Hierarchical Graph Neural Networks
South China University of Technology（华南理工大学）；JD Finance America Corporation（京东金融美国公司）；VIPS Research（唯品会研究院）；Baidu inc（百度公司）
社会化推荐旨在利用用户之间的社会联系来提高推荐性能。随着深度学习技术的复兴，许多努力已经致力于开发各种基于神经网络的社交推荐系统，诸如注意力机制和基于图的消息传递框架。然而，两个重要的挑战还没有得到很好的解决：（i）大多数现有的社会推荐模型未能充分探索多类型的用户-项目交互行为以及潜在的跨关系的相互依赖。(ii)虽然学习到的社交状态向量能够对成对用户依赖关系进行建模，但它在捕获跨用户的全局社交上下文方面仍然具有有限的表示能力。为了解决这些限制，我们提出了一个新的社会推荐框架与分层图神经网络（SR-HGNN）。特别地，我们首先设计了一个关系感知的重构图神经网络，将跨类型协作语义注入到推荐框架中。此外，我们进一步增强SR-HGNN与社会关系编码器的基础上的互信息学习范式之间的低级别的用户嵌入和高级别的全球表示，这赋予SR-HGNN的能力，捕捉全球社会背景信号。三个公共基准的实证结果表明，SR-HGNN显着优于国家的最先进的推荐方法。源代码可在以下网址获得：https://github.com/xhcdream/SR-HGNN。
2021-10-08 cs.AI cs.IR cs.LG
Rating and aspect-based opinion graph embeddings for explainable recommendations
Universidad Autónoma de Madrid（马德里自治大学）；Pontificia Universidad Católica de Chile（智利天主教大学）
神经网络嵌入的成功引发了人们对使用知识图谱进行各种机器学习和信息检索任务的新兴趣。特别是，最近的推荐方法的基础上图嵌入显示出最先进的性能。通常，这些方法编码潜在的评级模式和内容特征。从以前的工作，在本文中，我们建议利用嵌入提取的图形，结合信息的评级和基于方面的意见，在文本评论。然后，我们适应和评估国家的最先进的图形嵌入技术，从亚马逊和Yelp评论六个域生成的图形，优于基线嵌入器。此外，我们的方法的优点是提供的解释，涉及的覆盖面的方面为基础的意见，由用户推荐的项目。
2022-07-28 cs.AI cs.IR cs.LG
Multi-behavior Recommendation with SVD Graph Neural Networks
针对多行为推荐中对比学习易受噪声干扰的问题，提出MB-SVD模型，利用SVD图增强全局协同表示并以InfoNCE损失进行简化对比学习，在多个真实数据集上取得显著性能提升。
2024-05-09 cs.IR
Self-Supervised Graph Co-Training for Session-based Recommendation
基于会话的推荐通过利用短时间内的用户行为来预测下一项。与其他推荐模式相比，基于会话的推荐更容易受到数据稀疏性问题的影响，这是由于非常有限的短期交互。自监督学习可以从原始数据中发现真实样本，在解决这一问题方面具有巨大的潜力。然而，现有的自监督推荐模型主要依赖于项目/片段的丢弃来增加数据，这不适合基于会话的推荐，因为丢弃会导致数据稀疏，产生不可用的自监督信号。在本文中，信息会话为基础的数据增强，我们结合自监督学习与协同训练，然后开发一个框架，以提高基于会话的推荐。从技术上讲，我们首先利用基于会话的图来增强展示会话的内部和外部连接性的两个视图，然后我们在这两个视图上构建两个不同的图编码器，它们递归地利用不同的连接性信息来生成地面实况样本，以通过对比学习来监督彼此。与dropout策略相比，所提出的自监督图协同训练保留了完整的会话信息，并实现了真正的数据增强。在多个基准数据集上进行的大量实验表明，在自监督图协同训练机制下，基于会话的推荐可以得到显著增强，达到最先进的性能。
2021-08-24 cs.IR
Heterogeneous Graph Contrastive Learning for Recommendation
图神经网络（GNN）已经成为推荐系统中对图结构数据建模的强大工具。然而，现实生活中的推荐场景通常涉及异构关系（例如，社会感知的用户影响、知识感知的项目依赖性），其包含丰富的信息以增强用户偏好学习。在本文中，我们研究了异构图增强的关系学习推荐的问题。近年来，对比自监督学习在推荐中取得了成功。鉴于此，我们提出了一种异构图对比学习（HGCL），它能够将异构关系语义与对比学习-增强跨不同视图的知识转移的用户-项目交互建模。然而，异构边信息对交互的影响可能因用户和项目而异。为了推进这一想法，我们用Meta网络增强了异构图对比学习，以允许个性化知识Transformer具有自适应对比增强。在三个真实数据集上的实验结果证明了HGCL的优越性。通过消融研究，验证了HGCL方法中的关键组件，有利于提高推荐性能。模型实现的源代码可在链接https://github.com/HKUDS/HGCL上获得。
2023-03-02 cs.IR
Learning Hierarchical Review Graph Representations for Recommendation
用户评论数据已被证明是有效的，在解决不同的推荐问题。以前的基于评论的推荐方法通常采用复杂的组合模型，如递归神经网络（RNN）和卷积神经网络（CNN），从评论数据中学习语义表示以进行推荐。然而，这些方法主要捕获词窗口中相邻词之间的局部依赖性，并且它们平等地对待每个评论。因此，它们可能无法有效地捕获单词之间的全局依赖性，并且往往容易受到噪声评论信息的影响。在本文中，我们提出了一种新的基于评论的推荐模型，命名为评论图神经网络（RGNN）。具体来说，RGNN为每个用户/项目构建了一个特定的评论图，它提供了一个关于用户/项目属性的全局视图，以帮助削弱噪音评论信息造成的偏见。提出了一种类型感知的图注意力机制来学习词的语义嵌入。此外，提出了一种个性化的图池算子来学习评论图的分层表示，以形成每个用户/项目的语义表示。我们在两个真实世界的数据集上将RGNN与最先进的基于评论的推荐方法进行了比较。实验结果表明，在均方误差（MSE）方面，RGNN始终优于基线方法。
2021-01-24 cs.IR
Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战，特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息，因此有可能帮助提供更好的推荐。在本文中，我们提出了一个推荐算法的基础上，综合扩散的用户-项目-标签三方图。我们使用三个基准数据集，Del.icio.us，MovieLens和BibSonomy，来评估我们的算法。实验结果表明，标签信息的使用可以显着提高推荐的准确性，多样化和新颖性。
2009-04-13 cs.IR
GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation
提出KnowLP方法，利用GraphRAG构建包含先决和相似关系的双知识结构图，结合判别学习驱动的强化学习模块，解决学习路径推荐中依赖先决关系导致的泛化性差和路径阻塞问题，在三个基准数据集上达到最优性能并提供可解释推理。
2025-08-06 cs.IR
Att-KGCN: Tourist Attractions Recommendation System by using Attention mechanism and Knowledge Graph Convolution Network
Ibb University（伊卜大学）；Shaanxi Normal University（陕西师范大学）
针对旅游领域景点属性筛选复杂的推荐问题，提出融合注意力机制的Att-KGCN模型，可自动发现景点语义邻域并聚合相似地点，基于也门索科特拉岛数据验证了其推荐效果的优越性。
2023-07-03 cs.AI cs.GR cs.IR
An Efficient Recommendation Model Based on Knowledge Graph Attention-Assisted Network (KGATAX)
UC Berkeley（加州大学伯克利分校）
针对传统推荐算法忽视多源信息整合的问题，本研究提出知识图谱注意力辅助网络（KGAT-AX），通过引入知识图谱、注意力机制、多层交互信息传播和全息嵌入聚合辅助信息，在公开数据集上展现出优于基线模型的性能与关系学习能力。
2024-09-05 cs.AI cs.IR cs.LG
An Equivalent Graph Reconstruction Model and its Application in Recommendation Prediction
本文针对基于图拉普拉斯正则化的推荐算法在大规模数据下计算代价高的问题，提出一种可精确求解的等价图重构模型，在保持预测精度的同时大幅降低计算开销。
2023-07-05 cs.IR
GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation
Department of Computer Science and Information Engineering（计算机科学与信息工程系）；National Central University（国立中央大学）
图融合SBR通过多通道图融合和去噪技术提升基于会话的推荐准确性
2026-01-13 cs.IR cs.LG
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
对比学习（CL）最近在推荐领域的研究中取得了丰硕的成果，因为它能够从原始数据中提取自监督信号，这与推荐系统解决数据稀疏问题的需求是一致的。基于CL的推荐模型的典型流水线是首先用结构扰动来扩充用户-项目二分图，然后最大化不同图扩充之间的节点表示一致性。虽然这种模式被证明是有效的，但性能提升的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更均匀分布的用户/项目表示来操作，可以隐式地减轻受欢迎程度偏差。同时，我们发现，图的扩张，这被认为是必要的，只是发挥微不足道的作用。基于这一发现，我们提出了一个简单的CL方法，放弃了图增强，而是添加均匀的噪声的嵌入空间创建对比视图。在三个基准数据集上的综合实验研究表明，尽管该方法看起来非常简单，但该方法可以平滑地调整学习表示的均匀性，并且在推荐精度和训练效率方面优于基于图增强的方法。代码发布于https://github.com/Coder-Yu/QRec。
2022-05-09 cs.IR
