Prospective Preference Enhanced Mixed Attentive Model for Session-based Recommendation
针对会话推荐任务,提出融合时间模式与用户预期偏好的P2MAM模型,采用位置敏感注意力机制,在6个基准数据集上性能最高提升19.2%,测试效率较最佳基线平均提升47.7倍。
2022-06-04 cs.IR
Counterfactual Learning-Driven Representation Disentanglement for Search-Enhanced Recommendation
针对搜索增强推荐中物品特征领域差距导致的负迁移问题,提出基于反事实学习的表示解耦框架ClardRec,分离物品的查询无关通用特征用于推荐增强,实验证明其在两类推荐场景中均有效。
2024-11-14 cs.IR
Knowledge Enhanced Multi-Domain Recommendations in an AI Assistant Application
Amazon Alexa AI(亚马逊Alexa人工智能部门);University of Southern California(南加利福尼亚大学)
本研究在AI助手应用中统一多领域推荐与知识图谱增强,利用跨领域交互和外部知识提升新领域推荐效果,实验证明该方法在整体及新用户推荐上均有显著改进。
2025-03-25 cs.IR cs.LG
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
CEMG: Collaborative-Enhanced Multimodal Generative Recommendation
Carnegie Mellon University(卡内基梅隆大学);University of California, Los Angeles(加州大学洛杉矶分校);Columbia University(哥伦比亚大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Chicago(芝加哥大学);Rice University(莱斯大学)
CEMG通过多模态融合层和残差量化变分自编码器,提升多模态生成推荐的性能。
2025-12-25 cs.IR
Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation
在推荐系统中提供模型生成的解释对于用户体验是重要的。最先进的推荐算法--尤其是具有浅模型或深模型的基于协同过滤(CF)的方法--通常与用于推荐的各种非结构化信息源一起工作,诸如文本评论、视觉图像以及各种隐式或显式反馈。虽然结构化知识库被认为是基于内容的方法,他们已经在很大程度上被忽视,最近由于CF方法的研究重点。然而,结构化知识在个性化推荐系统中显示出独特的优势。当考虑关于用户和项目的显式知识用于推荐时,系统可以基于用户的历史行为提供高度定制的推荐,并且该知识有助于提供关于推荐项目的明智解释。使用知识库进行推荐的一个巨大挑战是如何集成大规模的结构化数据,同时利用协同过滤来实现高精度的性能。知识库嵌入(KBE)的最新成果揭示了这个问题,这使得有可能学习用户和项目表示,同时保留其与外部知识的关系结构进行解释。在这项工作中,我们建议解释知识库嵌入可解释的建议。具体来说,我们提出了一个知识库表示学习框架来嵌入异构实体进行推荐,并基于嵌入的知识库,提出了一种软匹配算法来为推荐项生成个性化的解释。在真实电子商务数据集上的实验结果验证了与最先进的基线相比,我们的方法具有卓越的推荐性能和可解释性。
2018-11-01 cs.IR
Benefit from Rich: Tackling Search Interaction Sparsity in Search Enhanced Recommendation
针对搜索增强推荐中搜索交互稀疏问题,提出GSERec方法,利用LLM向量量化构建用户-代码图,通过消息传递和对比损失增强稀疏用户表示,实验验证其有效性。
2025-08-06 cs.IR
Distilling Structured Knowledge into Embeddings for Explainable and Accurate Recommendation
最近,基于嵌入的推荐模型(例如,矩阵分解和深度模型)由于其有效性和灵活性而在学术界和工业界都很流行。但是,它们也有一些内在的局限性,如缺乏可解释性和数据稀疏性。在本文中,我们提出了一个端到端的联合学习框架,以绕过这些限制,而不引入任何额外的开销,通过从可区分的基于路径的推荐模型中提取结构化知识。通过大量的实验,我们表明,我们提出的框架可以实现国家的最先进的推荐性能,同时提供可解释的推荐理由。
2019-12-18 cs.IR
Intent-Enhanced Data Augmentation for Sequential Recommendation
Beihang University(北京航空航天大学);State Key Laboratory of Complex & Critical Software Environment(复杂与关键软件环境国家重点实验室)
针对现有数据扩增方法引入噪声且利用不充分的问题,提出意图增强数据扩增方法IESRec,通过意图片段插入构建正负样本并联合对比学习损失训练,有效提升了序列推荐性能。
2024-10-11 cs.AI cs.IR
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
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学)
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征,而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架,即用于基于会话的推荐的邻域增强和时间感知推荐机(NETA)。首先,我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后,我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示,特别是单独考虑会话之间的时间新近性;最后,我们设计了一个简单的合作,注意力机制,以确定预测下一个项目时,互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展,但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题,我们提出了一个解决方案,增强了一个知识图谱称为KATRec(知识感知的主动顺序建议)。KATRec通过对用户的交互项目序列进行建模,并通过知识图谱注意力网络利用预先存在的辅助信息,来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明,KATRec的性能优于最先进的推荐模型,并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
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
Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
University of California, Irvine(加州大学欧文分校);Brown University(布朗大学);Southwest Jiaotong University(西南交通大学)
本文提出融合协同过滤与大语言模型的增强推荐方法,利用LLMs增强文本理解以缓解冷启动和数据稀疏问题,实验证明其能显著提升推荐准确性与多样性。
2024-12-25 cs.AI cs.IR
Online Distillation-enhanced Multi-modal Transformer for Sequential Recommendation
本文针对多模态序列推荐提出模型无关的在线蒸馏增强多模态Transformer(ODMT)框架,通过ID感知多模态Transformer和在线蒸馏策略促进多源特征交互与相互学习,在流媒体和电商数据集上相比基线模型性能提升约10%。
2023-08-14 cs.IR
SUPER-Rec: SUrrounding Position-Enhanced Representation for Recommendation
协同过滤问题通常基于矩阵补全技术来解决,该技术恢复用户-项目交互矩阵的缺失值。在矩阵中,评级位置专门代表给定的用户和评级的项目。以往的矩阵补全技术往往忽略每个元素(用户,项目和评级)在矩阵中的位置,但主要集中在用户和项目之间的语义相似性来预测矩阵中的缺失值。提出了一种新的位置增强的用户/项目表示训练模型SUPER-Rec,该模型首先利用相对位置评分编码捕获评分矩阵中的评分位置,并将位置增强的评分信息及其用户-项目关系存储到不受矩阵大小影响的固定嵌入维数中.然后,我们将经过训练的位置增强的用户和项目表示应用于最简单的传统机器学习模型,以突出我们的表示学习模型的纯粹新颖性。我们贡献的第一个正式的介绍和定量分析的位置增强项目表示在推荐领域,并产生一个原则性的讨论我们的超级Rec的典型的协同过滤推荐任务的显式和隐式反馈的出色表现。
2022-10-08 cs.AI cs.IR
Propagating Similarity, Mitigating Uncertainty: Similarity Propagation-enhanced Uncertainty for Multimodal Recommendation
Dalian University of Technology(大连理工大学);Zhejiang University(浙江大学)
SPUMR通过构建模态相似性图和协作相似性图,结合不确定性感知的偏好聚合模块,提升多模态推荐系统的特征融合和不确定性估计能力。
2026-01-27 cs.IR
KERAG_R: Knowledge-Enhanced Retrieval-Augmented Generation for Recommendation
针对LLM推荐缺乏领域知识及知识图谱噪声问题,提出KERAG_R模型,通过GraphRAG和GAT选择相关三元组增强LLM,在三个数据集上显著优于十种基线方法。
2025-07-08 cs.IR
Knowledge-refined Denoising Network for Robust Recommendation
针对现有知识感知推荐存在任务无关知识传播与易受交互噪声影响的问题,提出知识精炼去噪网络KRDN,结合自适应知识精炼与对比去噪机制,在三个基准数据集上性能优于多种现有先进模型。
2023-04-28 cs.IR
LLMDiRec: LLM-Enhanced Intent Diffusion for Sequential Recommendation
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Centrum Wiskunde & Informatica(数学与计算机科学中心)
LLMDiRec通过整合大语言模型与意图感知扩散模型,提升序列推荐中复杂用户意图捕捉和长尾项推荐效果。
2025-10-20 cs.IR
Knowledge-enhanced Session-based Recommendation with Temporal Transformer
最近的研究在基于会话的推荐方面取得了令人印象深刻的进展。然而,信息,如项目知识和点击时间间隔,这可能是潜在的利用,以提高性能,仍然在很大程度上未被利用。在本文中,我们提出了一个框架,称为知识增强的基于会话的建议与时间Transformer(KSTT),将这些信息时,学习项目和会话嵌入。具体地说,知识图谱,它模型的上下文之间的项目在一个会话及其相应的属性,提出了通过图表示学习获得项目嵌入。我们引入时间间隔嵌入来表示需要预测的项目和历史点击之间的时间模式,并使用它来代替原始Transformer(称为时间Transformer)中的位置嵌入。会话中的项目嵌入通过时态Transformer网络进行传递,以获得会话嵌入,并在此基础上进行最终推荐。大量的实验表明,我们的模型在四个基准数据集上的性能优于最先进的基线。
2021-12-16 cs.IR cs.SI
Content based News Recommendation via Shortest Entity Distance over Knowledge Graphs
基于内容的新闻推荐系统需要在不使用用户特定信息的情况下基于文章的主题和内容来推荐新闻文章。许多新闻文章描述特定事件的发生和命名实体,包括人,地点或物体。在本文中,我们提出了一个图遍历算法,以及一个新的加权方案冷启动内容为基础的新闻推荐利用这些命名实体。为了创建更高程度的用户特定的相关性,我们的算法计算命名实体之间的最短距离,跨新闻文章,在一个大的知识图谱。此外,我们已经创建了一个新的人类注释数据集,用于评估基于内容的新闻推荐系统。实验结果表明,我们的方法是合适的,以解决硬冷启动问题,它产生更强的皮尔逊相关性的人类相似性分数比其他冷启动方法。我们的方法也是互补的,与传统的冷启动推荐方法相结合,可能会产生显着的性能增益。数据集CNRec可在以下网址获得:https://github.com/kevinj22/CNRec
2019-05-24 cs.IR cs.LG stat.ML
Basket-Enhanced Heterogenous Hypergraph for Price-Sensitive Next Basket Recommendation
针对下一篮推荐忽视价格及商品—购物篮—用户交互建模不足的问题,提出BDHH动态异构超图方法,利用价格关系图与购物篮引导增强网络提升推荐准确率。
2024-09-18 cs.IR
Pre-trained Language Model and Knowledge Distillation for Lightweight Sequential Recommendation
University of Science and Technology of China(中国科学技术大学)
针对预训练语言模型在实时推荐中推理慢的问题,提出基于知识蒸馏的两阶段序列推荐算法,将预训练知识迁移至轻量级模型,在提升准确率的同时实现及时推荐。
2024-09-23 cs.IR cs.LG
Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM
Meituan(美团)
针对异构行为导致的特征稀疏与知识碎片化问题,提出基于 LLM 的异构知识提取、融合与指令微调方法,显著提升个性化推荐性能。
2023-08-18 cs.AI cs.IR
Multi-Behavior Enhanced Recommendation with Cross-Interaction Collaborative Relation Modeling
South China University of Technology(华南理工大学);JD Finance America Corporation(京东金融美国公司)
许多先前的研究旨在增强协同过滤与深度神经网络技术,以实现更好的推荐性能。然而,现有的大多数基于深度学习的推荐系统都是针对单一类型的用户-项目交互行为建模而设计的,很难提取用户与项目之间的异构关系。在实际的推荐场景中,存在多种类型的用户行为,例如浏览和购买。现有的推荐方法忽略了用户在不同项目上的多行为模式,无法从用户多行为数据中捕捉到异构的协作信号。受图神经网络在结构化数据建模中的优势启发,本文提出了一种图神经多行为增强推荐(GNMR)框架,该框架在基于图的消息传递架构下,对不同类型的用户-项目交互之间的依赖关系进行了显式建模。GNMR设计了一个关系聚合网络来模拟交互异构性,并递归地在用户-项目交互图上的相邻节点之间执行嵌入传播。在真实世界推荐数据集上的实验表明,我们的GNMR始终优于最先进的方法。源代码可在https://github.com/akaxlh/GNMR上获得。
2022-01-07 cs.AI cs.IR
Multimodal-enhanced Federated Recommendation: A Group-wise Fusion Approach
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University(吉林大学教育部符号计算与知识工程重点实验室);PolyU Academy for Artificial Intelligence, Hong Kong Polytechnic University(香港理工大学PolyU人工智能学院);Australian Artificial Intelligence Institute, FEIT, University of Technology Sydney(悉尼科技大学FEIT澳大利亚人工智能研究所);College of Computer Science, Inner Mongolia University(内蒙古大学计算机学院)
本文提出了一种多模态增强的联邦推荐方法,通过组级融合机制提升推荐系统在多模态特征整合方面的性能。
2026-02-27 cs.IR
Diffusion-like recommendation with enhanced similarity of objects
在过去的几十年里,多样性和准确性被认为是评价推荐模型的两个重要指标。然而,一个明显的担忧是,过度关注一个度量的模型将使另一个度量处于危险之中,因此同时大幅提高多样性和准确性并不容易。在本文中,我们提出了提高资源分配(RA)相似性的扩散类模型的资源转移方程,通过给一个可调的RA相似性指数,并遍历该指数的值,以达到最佳的推荐结果。通过这种方式,我们可以增加许多不受欢迎对象的推荐分数(分配的资源)。在MovieLens、Netflix和RateYourMusic三个基准数据集上的实验表明,改进后的模型与原模型相比,性能有了显著提高.
2018-10-11 cs.IR cs.SI
Graph-Sequential Alignment and Uniformity: Toward Enhanced Recommendation Systems
针对图与序列推荐无法互补的问题,提出整合两者的框架,通过共享嵌入空间并设计对齐与一致性损失函数实现正向知识迁移,在三个数据集上取得最优性能。
2025-01-29 cs.IR
A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
Fudan University(复旦大学)
深度神经网络(DNN)已被广泛应用于推荐系统中,包括结合注意力机制以提高性能。然而,现有的基于注意力的推荐模型大多只对用户进行项目级的注意,限制了推荐性能的进一步提高。在本文中,我们提出了一个知识增强的推荐模型ACAM,它结合了从知识图谱(KG)提取的项目属性作为边信息,并建立了一个共同的注意力机制的属性级别,以实现性能增益。具体地说,ACAM中的每个用户和项目首先由一组属性嵌入来表示。然后,用户表示和项目表示的同时,通过捕获不同属性之间的相关性,由一个共同注意模块。我们在两个真实数据集上的广泛实验表明,通过属性级共同注意增强的用户表示和项目表示获得了ACAM优于最先进的深度模型的优势。
2020-06-18 cs.IR cs.LG
TRAWL: External Knowledge-Enhanced Recommendation with LLM Assistance
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);Tencent(腾讯)
本文提出TRAWL方法,利用大语言模型从外部数据提取知识,并通过对比学习适配器训练,以增强基于行为的推荐系统,实验验证了其有效性。
2024-05-24 cs.AI cs.CL cs.IR
Reinforcement Knowledge Graph Reasoning for Explainable Recommendation
Rutgers University(罗格斯大学)
个性化推荐的最新进展激发了人们对利用知识图谱提供的丰富结构化信息的极大兴趣。与大多数现有的方法,只专注于利用知识图谱更准确的建议,我们进行明确的推理与决策的知识,使建议产生和支持的解释因果推理过程。为此,我们提出了一种称为策略引导路径推理(PGPR)的方法,该方法通过在知识图谱中提供实际路径来耦合推荐和可解释性。我们的贡献包括四个方面。我们首先强调的意义,将知识图谱的建议,正式定义和解释的推理过程。其次,我们提出了一个强化学习(RL)的方法,具有创新的软奖励策略,用户条件动作修剪和多跳评分函数。第三,我们设计了一个策略引导的图搜索算法,以有效地和有效地采样推理路径的推荐。最后,我们在几个大规模的真实世界的基准数据集上广泛地评估了我们的方法,与最先进的方法相比,获得了有利的结果。
2019-06-12 cs.IR cs.LG
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
Multi-Sparse-Domain Collaborative Recommendation via Enhanced Comprehensive Aspect Preference Learning
跨域推荐(CDR)由于能够有效地解决推荐系统中的数据稀疏性问题而受到越来越多的研究者关注。然而,现有的单目标或双目标CDR方法往往遭受两个缺点,假设至少一个丰富的域和严重依赖于域不变的偏好,这是不切实际的,在现实世界中稀疏性是无处不在的,可能会降低用户偏好学习。为了克服这些问题,我们提出了一个多稀疏域协同推荐(MSDCR)模型的多目标跨域推荐。与传统的CDR方法不同,MSDCR将多个相关领域视为稀疏的,并且可以同时提高每个领域的推荐性能。我们提出了一个多域分离网络(MDSN)和一个门控方面偏好增强(GAPE)模块MSDCR增强用户的领域特定的方面的偏好在一个领域通过转移在其他领域的互补方面的偏好,在此期间,特定领域的偏好的唯一性可以通过MDSN提供的对抗性训练和互补性可以自适应地确定由GAPE。同时,我们提出了一个多领域自适应网络(MDAN)的MSDCR捕捉用户的领域不变的方面的喜好。通过结合增强的领域特定方面偏好和领域不变方面偏好,MSDCR可以全面了解用户在每个稀疏域中的偏好。最后,在真实数据集上进行的大量实验表明,MSDCR相对于现有的单域推荐模型和CDR模型具有显著的优越性。
2022-01-16 cs.IR
Explainable Entity-based Recommendations with Knowledge Graphs
Carnegie Mellon University(卡内基梅隆大学)
可解释性推荐是一项重要任务。已经提出了许多方法,这些方法从为项目编写的内容和评论中生成解释。当评论文本不可用时,生成解释仍然是一个难题。在本文中,我们说明了如何解释可以在这样的情况下,利用外部知识的形式知识图谱。我们的方法联合排名项目和知识图谱实体使用个性化的PageRank过程产生的建议连同他们的解释。
2017-07-12 cs.CL cs.IR
Inter-sequence Enhanced Framework for Personalized Sequential Recommendation
对用户历史交互行为的序列相关性建模是序列推荐的关键。然而,大多数的方法主要集中在每个单独的序列内的\emph{intra-sequence}项目相关性建模,但忽略了跨不同的用户交互序列的\emph{inter-sequence}项目相关性。虽然一些研究已经意识到这个问题,但他们的方法要么简单,要么隐含。为了更好地利用这些信息,我们提出了一个序列间增强的顺序推荐(ISSR)框架。在ISSR中,同时考虑序列间和序列内项目的相关性。首先,我们在序列间相关性编码器中配备图神经网络,以从用户-项目二分图和项目-项目图中捕获高阶项目相关性。然后,在序列间相关性编码器的基础上,在序列内相关性编码器中构建GRU网络和注意力网络,对每个序列内的项目序列相关性和时间动态进行建模,预测用户对候选项目的偏好。此外,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,ISSR方法优于许多国家的最先进的方法和有效的序列间相关编码器。
2020-04-29 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
The Devil is in the Sources! Knowledge Enhanced Cross-Domain Recommendation in an Information Bottleneck Perspective
本文提出CoTrans框架,基于图信息瓶颈压缩源域知识并迁移纯净信息到目标域,结合知识增强编码器解决跨域推荐中的无关信息干扰问题,在三个数据集上显著优于现有方法。
2024-09-29 cs.IR
Common Sense Enhanced Knowledge-based Recommendation with Large Language Model
针对现有知识图谱推荐信息有限且受冷启动困扰的问题,提出结合常识的新型框架CSRec,利用大语言模型获取常识,并基于互信息最大化理论融合常识与元数据知识图谱,显著提升了推荐性能。
2024-03-27 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
Scientific and Technological News Recommendation Based on Knowledge Graph with User Perception
现有的研究通常利用边信息,如社会网络或项目属性,以提高协同过滤推荐系统的性能。本文利用具有用户感知的知识图谱来获取边信息的来源。针对现有基于嵌入和基于路径的知识图谱感知推荐方法的局限性,提出了KGUPN,该框架将知识图谱和用户感知集成到科技新闻推荐系统中。KGUPN包含三个主要层,即传播表示层、上下文信息层和协作关系层。传播表示层通过递归地传播来自知识图谱中的邻居(可以是用户、新闻或关系)的嵌入来改进实体的表示。上下文信息层通过对出现在新闻中的实体的行为信息进行编码来改进实体的表示。协同关系层补充了新闻知识图谱中实体之间的关系。在真实数据集上的实验结果表明,KGUPN在科技新闻推荐方面明显优于最先进的基线。
2022-10-07 cs.IR
Reinforcement Recommendation Reasoning through Knowledge Graphs for Explanation Path Quality
许多知识图谱(KG)正在被创建,使推荐系统(RS)不仅智能,而且知识。在推荐过程中集成KG允许底层模型从KG中提取推荐产品和已经体验过的产品之间的推理路径。可以利用这些路径来生成要针对给定推荐提供给用户的文本解释。然而,现有的基于KG的可解释推荐方法仅仅优化了所选择的产品相关性推理路径,而没有考虑任何用户级属性的解释路径。在本文中,我们提出了一系列的定量属性,从解释的角度来看,近,流行和多样性的基础上,监测推理路径的质量。然后,我们结合在和后处理的方法来优化推荐质量和推理路径质量。三个公共数据集上的实验表明,我们的方法显着提高推理路径的质量,根据所提出的属性,同时保持推荐质量。源代码、数据集和KG可在https://tinyurl.com/bdbfzr4n上获得。
2022-11-10 cs.IR
REG4Rec: Reasoning-Enhanced Generative Model for Large-Scale Recommendation Systems
Alibaba Group(阿里巴巴集团);Wuhan University(武汉大学)
REG4Rec通过构建动态语义推理路径和自我反思机制,提升大规模推荐系统的推荐质量和可靠性。
2026-02-09 cs.IR
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而,一篇新闻文章可能涵盖多个方面和实体,并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣,以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器,以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下,知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示,以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
A Large-Scale Rich Context Query and Recommendation Dataset in Online Knowledge-Sharing
数据在机器学习研究中起着至关重要的作用。在推荐研究中,用户行为和边信息都有助于对用户进行建模。因此,具有丰富用户行为的大规模真实场景数据集将做出很大贡献。然而,要获得这样的数据集并不容易,因为它们中的大多数只由公司持有和保护。本文提出了一个新的大规模数据集,该数据集收集自一个知识共享平台,由10天内收集的约1亿次交互、798 K用户、165 K问题、554 K答案、240 K作者、70 K主题和超过501 K用户查询关键字组成。还有对用户、答案、问题、作者和主题的描述,这些都是匿名的。请注意,每个用户的最新查询关键字尚未包含在以前的开放数据集中,这些数据集揭示了用户的明确信息需求。我们的数据集的特点,并展示其潜在的应用推荐研究。实验结果表明,该数据集可用于评价一般的top-N推荐算法、顺序推荐算法和上下文感知推荐算法。该数据集还可以用于集成搜索和推荐以及带有负面反馈的推荐。此外,推荐之外的任务,如用户性别预测,最有价值的回答者识别和高质量答案识别,也可以使用该数据集。据我们所知,这是用于个性化推荐的最大的真实交互数据集。
2021-06-11 cs.IR
Improving Location Recommendation with Urban Knowledge Graph
位置推荐是指在基于位置的服务中向用户推荐位置。现有的数据驱动的位置推荐方法受到地理因素隐式建模的限制,这可能导致次优推荐结果。在这项工作中,我们通过引入知识驱动的解决方案来解决这个问题。具体而言,我们首先构建城市知识图谱(UrbanKG)的地理信息和功能信息的POI。另一方面,地理因素不仅影响着POI的特性,而且影响着用户与POI的交互。为了解决这个问题,我们提出了一种新的方法命名为UKGC。我们首先在两个子图上进行信息传播,以学习POI和用户的表示。然后,我们通过反事实学习融合两部分表征,以获得最终的预测。在两个真实世界数据集上的大量实验验证了我们的方法可以优于最先进的方法。
2021-11-01 cs.IR
GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
The University of Auckland(奥克兰大学)
下一个POI建议旨在根据用户的当前状态和历史信息预测用户的近期未来移动,为用户和服务提供商提供巨大的价值。然而,这个问题显然是复杂的,因为需要综合考虑各种数据趋势。这包括空间位置,时间背景,用户的喜好,等等。大多数现有的研究认为,下一个POI推荐作为一个序列预测问题,而忽略了其他用户的合作信号。相反,我们提出了一个用户不可知的全局轨迹流图和一个新的图形增强的Transformer模型(GETNext),以更好地利用广泛的协作信号,更准确的下一个POI预测,并减轻冷启动问题的同时。GETNext将全局迁移模式、用户的一般偏好、时空上下文和时间感知的类别嵌入到一个Transformer模型中,以预测用户的未来移动。通过这种设计,我们的模型优于最先进的方法,具有很大的利润,也揭示了冷启动的挑战,在时空涉及的推荐问题。
2023-03-03 cs.IR cs.LG
DiffKG: Knowledge Graph Diffusion Model for Recommendation
针对知识图谱中无关关系引入噪声的问题,提出DiffKG,将生成式扩散模型与数据增强结合,并引入协同知识图谱卷积机制,在三个数据集上验证了其优于多种基线。
2023-12-28 cs.IR
Bias in Knowledge Graphs -- an Empirical Study with Movie Recommendation and Different Language Editions of DBpedia
University of Mannheim(曼海姆大学)
公共知识图谱,如DBpedia和Wikidata已被认为是有趣的背景知识的来源,以建立基于内容的推荐系统。它们可用于添加有关要推荐的项目的信息以及这些项目之间的链接。虽然已经提出了相当多的方法来利用知识图谱,他们中的大多数旨在优化推荐策略,同时使用一个固定的知识图谱。在本文中,我们采用不同的方法,即,当使用不同的底层知识图谱时,我们修正推荐策略并观察变化。特别是,我们使用不同语言版本的DBpedia。我们发现,使用不同的知识图谱不仅会导致不同的偏见推荐系统,但也推荐系统的性能不同的特定领域的建议。
2021-05-03 cs.AI cs.IR
Neural-Symbolic Reasoning over Knowledge Graph for Multi-stage Explainable Recommendation
推荐系统的最新研究已经将外部知识图谱视为有价值的信息来源,不仅可以产生更好的推荐,还可以解释选择推荐项目的原因。基于规则的符号化方法在知识图谱上提供了透明的推理过程,但缺乏对未知示例的泛化能力,而深度学习模型增强了强大的特征表示能力,但难以解释。此外,由于寻路的搜索空间巨大,在大规模知识图谱上的直接推理可能是昂贵的。我们通过一种新的粗到细的神经符号推理方法,称为NSER的方法来解决这个问题。首先生成粗粒度的解释以捕获抽象的用户行为模式,然后生成细粒度的解释,并伴随显式的推理路径和从知识图谱中推断出的推荐。我们在四个真实世界的数据集上进行了广泛的实验,并观察到与最先进的方法相比,推荐性能的大幅提高,以及不同粒度的更多样化的解释。
2020-07-26 cs.IR
Computing recommendations via a Knowledge Graph-aware Autoencoder
在过去的几年里,深度学习已经被证明是人工智能中的一项改变游戏规则的技术,这要归功于它在不同应用领域取得的众多成功。其中,使用深度学习来解决推荐问题,虽然是新的,但由于其在推荐结果准确性方面的积极表现,看起来很有前途。在推荐设置中,为了预测用户对未知项目的评级,深度神经网络的可能配置是自动编码器,其通常用于产生原始数据的较低维度表示。在本文中,我们提出了KG-AUTOENCODER,一个自动编码器,其神经网络的结构的基础上的一个知识图谱的semanticsware拓扑结构,从而提供了一个标签的神经元在隐藏层,最终用于建立一个用户简档,然后计算建议。通过与最先进的推荐算法进行比较,我们展示了KG-AUTOENCODER在准确性、多样性和新颖性方面的有效性。
2018-07-13 cs.IR
Wavelet Enhanced Adaptive Frequency Filter for Sequential Recommendation
School of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院);School of Computing, Macquarie University(麦考瑞大学计算学院)
本文提出小波增强的自适应频率滤波器,通过动态频域滤波和小波特征增强,提升序列推荐的性能和效率。
2025-11-26 cs.IR
Learning Structure and Knowledge Aware Representation with Large Language Models for Concept Recommendation
Shanghai Jiao Tong University(上海交通大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对概念推荐中人类知识体系融入不足及LLM文本编码适配难的问题,提出SKarREC框架,结合LLM知识与知识图谱关系构建概念表示,通过基于图的对比学习适配器实现适配,实验验证其有效性。
2024-05-21 cs.AI cs.IR
Curriculum-scheduled Knowledge Distillation from Multiple Pre-trained Teachers for Multi-domain Sequential Recommendation
本文提出CKD-MDSR方法,通过课程调度从多个预训练教师模型蒸馏知识并选择性整合到学生模型中,解决了预训练推荐模型在多领域序列推荐中应用成本高的问题,在五个数据集上验证了有效性与高效性。
2024-10-15 cs.IR