DeepRec: An Open-source Toolkit for Deep Learning based Recommendation
University of New South Wales（新南威尔士大学）；Nanyang Technological University（南洋理工大学）；Zhengzhou Univeristy（郑州大学）
近年来，基于深度学习的推荐系统得到了广泛的研究。然而，每年提出的大量模型对研究人员和从业人员来说都是一个巨大的挑战，他们需要复制结果以进行进一步的比较。虽然部分论文提供了源代码，但它们采用了不同的程序设计语言或不同的深度学习包，这也提高了理解这些想法的难度。为了缓解这个问题，我们发布了开源项目：\textbf{DeepRec}。在这个工具包中，我们使用Python和广泛使用的深度学习包- Tensorflow实现了许多基于深度学习的推荐算法。三个主要的推荐场景：评级预测，前N推荐（项目排名）和顺序推荐。同时，DeepRec保持了良好的模块化和可扩展性，可以轻松地将新模型纳入框架。它在GNU通用公共许可证的条款下发布。源代码可以在github上找到：\url{https://github.com/cheungdaven/DeepRec}
2019-05-25 cs.IR cs.LG
DeepFair: Deep Learning for Improving Fairness in Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
推荐系统中缺乏偏见管理导致少数群体收到不公平的推荐。此外，公平与精确之间的权衡使得很难获得同时符合这两项标准的建议。在这里，我们提出了一种基于深度学习的协同过滤算法，该算法在不知道用户的人口统计信息的情况下，提供了公平性和准确性之间的最佳平衡的推荐。实验结果表明，它是可能的，使公平的建议，而不会失去一个显着比例的准确性。
2020-06-09 cs.AI cs.LG stat.ML
Ultra Fast Warm Start Solution for Graph Recommendations
HSE University（俄罗斯莫斯科高等经济大学）
本研究针对图推荐系统UltraGCN的推荐更新需求，提出适配低秩近似的线性热启动方法，速度较传统方法最高快30倍，同时提升推荐质量，具备高可扩展性。
2025-09-01 cs.IR cs.LG
Embedding Ranking-Oriented Recommender System Graphs
基于图的推荐系统（GRSs）分析数据的图形表示中的结构信息以做出更好的推荐，特别是当直接用户-项目关系数据稀疏时。面向排名的GRS形成了一个主要类别的推荐系统，主要使用偏好（或排名）数据的图形表示来测量节点的相似性，从这些相似性中，它们可以使用基于邻域的机制来推断推荐列表。在本文中，我们提出了PGRec，一种新的基于图的面向排名的推荐框架。PGRec通过一种名为PrefGraph的新型图结构对用户对项目的偏好进行建模。然后通过改进的嵌入方法利用该图，利用因子分解和深度学习方法，提取代表用户，项目和偏好的向量。然后，将得到的嵌入用于预测用户的未知成对偏好，从该偏好推断出最终的推荐列表。我们已经评估了所提出的方法对最先进的基于模型和基于邻域的推荐方法的性能，我们的实验表明，PGRec优于基线算法高达3.2%的NDCG@10在不同的MovieLens数据集。
2020-07-31 cs.IR cs.LG stat.ML
Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works
Contata Solutions LLC（Contata Solutions有限责任公司）
随着互联网上数字信息量的指数级增长，在线商店、在线音乐、视频和图像库、搜索引擎和推荐系统已经成为在短时间内找到相关信息的最方便的方式。近年来，深度学习的进展在语音识别、图像处理和自然语言处理领域获得了极大的关注。与此同时，最近的一些研究已经表明了深度学习在推荐系统和信息检索领域的实用性。在这篇简短的综述中，我们将介绍使用各种深度学习技术变体在推荐领域取得的最新进展。我们将综述分为三个部分：协作系统、基于内容的系统和混合系统。该综述还讨论了深度学习集成推荐系统对几个应用领域的贡献。本文最后讨论了深度学习在各个领域的推荐系统中的影响，以及深度学习是否比传统的推荐系统有任何显着的改进。最后，我们还提供了未来的研究方向，这是可能的基础上使用的深度学习在推荐系统的当前状态。
2017-12-20 cs.IR cs.LG
Deep Learning Recommendation Model for Personalization and Recommendation Systems
Northwestern University（西北大学）；Harvard University（哈佛大学）；Facebook（脸书）
随着深度学习的出现，基于神经网络的推荐模型已经成为处理个性化和推荐任务的重要工具。这些网络与其他深度学习网络有很大的不同，因为它们需要处理分类特征，并且没有得到很好的研究或理解。在本文中，我们开发了一个最先进的深度学习推荐模型（DLRM），并在PyTorch和Caffe2框架中实现了它。此外，我们设计了一个专门的并行化方案，利用嵌入表上的模型并行来减轻内存限制，同时利用数据并行从全连接层向外扩展计算。我们将DLRM与现有的推荐模型进行了比较，并描述了其在Big Basin AI平台上的性能，证明了其作为未来算法实验和系统协同设计基准的有用性。
2019-05-31 cs.IR cs.LG
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China（中国科学技术大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）；University of Tokyo（东京大学）
本文提出深度自适应兴趣网络（DAIN），通过动态建模用户兴趣并结合上下文感知学习机制，利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果，实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
Application of Knowledge Graphs to Provide Side Information for Improved Recommendation Accuracy
Concordia University（康考迪亚大学）
个性化推荐在互联网驱动的活动中很受欢迎，特别是购物。推荐方法可以分为三大类，基于内容的过滤，协同过滤和机器学习增强。关于不同用户的产品和偏好的信息主要用于推断特定用户的偏好。不充分的信息显然会导致这些方法失败或性能不佳。我们为这些方法提供的信息越多，这些方法就越有可能表现得更好。知识图谱代表了以实体之间的关系形式记录信息的当前趋势，并可以提供有关产品和用户的附加（侧面）信息。这些信息可以用于改进最近邻搜索，聚类用户和产品，或者在使用神经网络时训练神经网络。在这项工作中，我们提出了一个新的通用推荐系统框架，集成知识图谱到推荐管道。我们描述了它的软件设计和实现，然后通过实验表明，这样的框架可以专门为一个域，说电影推荐，并可能由于侧信息从知识图谱表示这样的信息得到的建议结果的改进。我们的框架支持不同的知识图谱表示格式，并方便格式转换，合并和信息抽取所需的训练推荐方法。
2021-01-07 cs.IR cs.LG
A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations
Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学（BUET））
基于位置的社交网络（LBSN）使用户能够通过分享他们的签到、意见、照片和评论来与朋友和熟人进行社交。LBSN产生的大量数据开辟了一条新的研究途径，催生了一个新的推荐系统子领域，称为兴趣点（POI）推荐。POI推荐技术本质上利用用户的历史签到和其他多模态信息（诸如POI属性和友谊网络）来推荐适合于用户的下一组POI。大量早期的工作都集中在传统的机器学习技术上，使用数据集中手工制作的特征。随着最近深度学习研究的激增，我们已经目睹了利用不同的深度学习范例的各种各样的POI推荐工作。这些技术在问题表述、提出的技术、使用的数据集和特征等方面存在很大差异。据我们所知，这项工作是对所有主要的基于深度学习的POI推荐工作的第一次全面调查。我们的工作分类和批判性地分析了最近的POI推荐工作的基础上不同的深度学习范式和其他相关功能。这篇评论可以被认为是POI推荐领域的研究人员或从业人员的食谱。
2020-11-20 cs.IR cs.LG
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Tsinghua University（清华大学）；University of Southern California（南加利福尼亚大学）
可解释性和有效性是构建推荐系统的两个关键方面。以前的努力主要集中在合并边信息，以实现更好的推荐性能。然而，这些方法具有一些弱点：（1）基于神经网络的嵌入方法的预测难以解释和调试;（2）基于符号、图形的方法（例如，基于Meta路径的模型）需要人工努力和领域知识来定义模式和规则，并且忽略项目关联类型（例如，可替换的和互补的）。在本文中，我们提出了一种新的联合学习框架集成\textit{induction of explainable rules from knowledge graph}与\textit{construction of a rule-guided neural recommendation model}。该框架鼓励两个模块相互补充，以产生有效的和可解释的推荐：1）归纳规则，从以项目为中心的知识图谱中挖掘，总结常见的多跳关系模式，用于推断不同的项目关联，并为模型预测提供人类可读的解释; 2）推荐模块可以通过归纳规则进行扩充，从而在处理冷启动问题时具有更好的泛化能力。大量的实验\footnote{Code and data can be found at: \url{https://github.com/THUIR/RuleRec}}表明，我们提出的方法已经取得了显着的改善，在现实世界的数据集上的基线项目推荐。我们的模型在通过将项目名称链接到相关实体而生成的“嘈杂”项目知识…
2019-03-09 cs.AI cs.IR cs.LG
Real-Time Learning from An Expert in Deep Recommendation Systems with Marginal Distance Probability Distribution
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）
推荐系统在当今的数字世界中发挥着重要作用。它们已经在诸如音乐平台的各种应用中得到应用，Spotify和电影流媒体服务，例如，网飞体育锻炼推荐系统的研究较少。久坐不动的生活方式已经成为几种疾病和医疗费用的主要驱动力。在本文中，我们开发了一个推荐系统的日常锻炼活动的用户的基础上，他们的历史，个人资料和类似的用户。开发的推荐系统使用了深度递归神经网络与用户配置文件的注意力和时间注意力机制。此外，练习推荐系统与流推荐系统有很大的不同，因为我们无法从练习推荐系统的参与者那里收集点击反馈。因此，我们提出了一个实时的【形】的，专家在环主动学习过程。主动学习器计算每个用户在每个时间步的推荐器的不确定性，并在确定性低时向专家请求推荐。本文推导了边际距离的概率分布函数，并利用它来确定何时向专家征求反馈。我们在mHealth数据集上的实验结果显示，将实时的【形】主动学习者与推荐系统结合后，准确性得到了提高。
2022-04-04 cs.AI cs.CV cs.HC
How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics
University of Bayreuth（拜罗伊特大学）；Institute of Computing, University of Campinas（坎皮纳斯大学计算机研究所）
针对传统推荐缺乏意外性的问题，提出基于知识图谱的推荐层，利用复杂网络度量对推荐结果重排序以调节惊喜度，在两个数据集上验证了其提升推荐意外感的效果。
2024-05-14 cs.AI cs.IR cs.LG
GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation
Monash University（莫纳什大学）；Ostadkar Company（Ostadkar公司）
关于推荐系统的研究出现在过去的十年中，包括有价值的服务，以增加不同公司的收入。在处理论文推荐系统中存在几种方法。虽然大多数现有的推荐系统依赖于基于内容的方法或协作方法，但存在可以使用两种方法的组合来提高推荐准确性的混合方法。尽管已经提出了许多算法来使用这些方法，但仍有必要进一步改进。在本文中，我们提出了一个推荐系统的方法，使用基于图的模型与用户的评级的相似性，结合用户的人口统计和位置信息。利用Autoencoder特征提取的优点，在所有组合属性的基础上提取新的特征。使用新的一组功能聚类用户，我们提出的方法（GHRS）已经获得了显着的改善，这主导了其他方法的性能在冷启动问题。在MovieLens数据集上的实验结果表明，该算法在推荐准确率上优于现有的推荐算法。
2022-03-25 cs.AI cs.IR cs.LG
Deep Exploration for Recommendation Systems
Meta AI；Stanford University（斯坦福大学）
本文将推荐系统建模为序贯决策问题，针对稀疏奖励下难以获取有效延迟反馈的挑战，提出深度探索方法，并在高保真工业级模拟器实验中证实其相较现有算法取得巨大改进。
2023-07-30 cs.AI cs.IR cs.LG
GLIMG: Global and Local Item Graphs for Top-N Recommender Systems
Nanyang Technological University（南洋理工大学）；Chongqing University（重庆大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Singapore Institute of Manufacturing Technology（新加坡制造技术研究院）
基于图的推荐模型对于top-N推荐系统工作得很好，因为它们能够捕捉实体之间的潜在关系。然而，现有的方法大多只构建了一个单一的全局项目图的所有用户共享和遗憾的是，忽略了不同的用户组之间的不同口味。受局部推荐模型成功的启发，本文首次尝试研究多个局部项图以及基于图的推荐模型的全局项图。我们认为，全球和局部图上的推荐优于一个单一的全球图或多个局部图。具体来说，我们提出了一种新的基于图的推荐模型名为GLIMG（全球和本地IteM图），它同时捕捉全球和本地用户的口味。通过将全局图和局部图集成到自适应半监督学习模型中，用户对项目的偏好在全局和局部传播。在真实数据集上的大量实验结果表明，我们提出的方法在前N个推荐任务上始终优于最先进的同行。
2021-08-11 cs.IR cs.LG
Integrating User and Item Reviews in Deep Cooperative Neural Networks for Movie Recommendation
University of Patras（帕特雷大学）
用户评价包括在线平台上的大量信息。这种信息源被大多数现有的推荐系统所忽视，尽管它有可能缓解稀疏性问题并提高建议的质量。这项工作提出了一个深度模型，用于从评论文本中同时学习项目属性和用户行为。深度合作神经网络（DeepCoNN）是由两个并行的神经网络在其最后一层连接而成的建议模型。其中一个网络专注于从用户提交的评论中学习用户行为，而另一个网络则从用户评论中学习物品属性。在顶部，添加了一个共享层来连接这两个网络。与因子分解机器方法类似，共享层允许为人和事物获取的潜在因子彼此交互。根据实验结果，在许多数据集上，DeepCoNN超过了所有基线推荐系统。
2022-06-22 cs.IR cs.LG
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
GeMi: A Graph-based, Multimodal Recommendation System for Narrative Scroll Paintings
GeMi是一种基于图的多模态推荐系统，专门用于叙事卷轴绘画，结合多模态内容和用户偏好，为艺术保护和数据存储提供解决方案。
2026-03-01 cs.IR cs.LG
A Simple Deep Personalized Recommendation System
Vrbo, part of Expedia Group（Vrbo，亿客行集团旗下品牌）
推荐系统是在双边度假租赁市场中匹配列表和旅行者的关键工具。这样的系统需要高容量来从大规模的隐式信号中提取用户对项目的偏好。为了学习这些偏好，我们提出了一个简单的深度个性化推荐系统来计算旅行者的条件嵌入。我们的方法结合了监督结构中的列表嵌入，以构建短期历史背景，从而为旅行者提供个性化建议。部署在生产环境中，这种方法计算效率高，可扩展，并允许我们捕获非线性依赖关系。我们的离线评估表明，使用深度平均网络创建的旅行者嵌入可以将下游转化预测模型的精度提高7%，优于更复杂的在线购物体验个性化基准方法。
2019-08-06 cs.IR cs.LG
Deep Content-User Embedding Model for Music Recommendation
KAIST（韩国科学技术院）；NAVER corp.（NAVER公司）
最近，基于深度学习的推荐系统已经被积极地探索以使用混合方法来解决冷启动问题。然而，大多数以前的研究提出了一种混合模型，其中协同过滤和基于内容的过滤模块是独立训练的。端到端方法将不同的模态数据作为输入并联合训练模型可以提供更好的优化，但尚未得到充分的探索。在这项工作中，我们提出了深度内容用户嵌入模型，一个简单而直观的架构，结合了用户项交互和音乐音频内容。我们评估模型上的音乐推荐和音乐自动标记任务。结果表明，该模型显着优于以前的工作。我们还讨论了各种方向，以进一步改善所提出的模型。
2018-07-18 cs.IR cs.LG cs.MM
Layered Graph Embedding for Entity Recommendation using Wikipedia in the Yahoo! Knowledge Graph
Yahoo! Research（雅虎研究院）；Stony Brook University（石溪大学）
在本文中，我们描述了一个基于嵌入的实体推荐框架的维基百科，组织维基百科成一个集合的图形分层在彼此之上，学习互补的实体表示从他们的拓扑结构和内容，并将它们与一个轻量级的学习排名的方法来推荐维基百科上的相关实体。通过离线和在线评估，我们表明，由此产生的嵌入和推荐在质量和用户参与度方面表现良好。平衡简单性和质量，这个框架提供了默认的实体建议英语和其他语言的雅虎！知识图谱，维基百科是其中的核心子集。
2020-04-15 cs.IR cs.LG cs.SI
Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation
Clova AI Research, NAVER Corp.（NAVER公司Clova人工智能研究院）；Search Solution Inc.（搜索解决方案公司）；LINE Plus Corp.（LINE Plus公司）
图神经网络（GNNs）已经成为一种很有前途的关系表示方法，包括推荐系统。然而，社交图的各种挑战性问题阻碍了GNN用于社交推荐的实际使用，例如它们复杂的噪声连接和高度异质性。GNN的过度平滑也是基于GNN的社交推荐的障碍。在这里，我们提出了一个新的图嵌入方法异构图传播（HGP）来解决这些问题。HGP使用组-用户-项目三方图作为输入，以减少社交图中的边的数量和路径的复杂性。为了解决过度平滑的问题，HGP在个性化的基于PageRank的传播方案下嵌入节点，分别用于组用户图和用户项图。使用注意力机制来集成来自每个图的节点嵌入。我们在一个由1，645，279个节点和4，711，208条边组成的大规模真实世界数据集上评估我们的HGP。实验结果表明，HGP在AUC和F1评分指标方面优于几个基线。
2019-07-24 cs.IR cs.LG cs.SI
Heterogeneous Graph Neural Network for Recommendation
电子商务的蓬勃发展催生了各种各样的推荐系统。事实上，在现实世界的推荐系统中，各种类型的节点之间存在着丰富而复杂的交互关系，这些节点可以被构造成异构图。如何学习代表节点嵌入是个性化推荐系统的基础和核心。元路径是一种广泛使用的结构，以捕捉这种交互下的语义，并显示潜在的能力，提高节点嵌入。本文提出了一种异构图神经网络推荐算法（HGRec），该算法通过聚合基于邻居的多跳元路径将高阶语义注入节点嵌入，并基于注意力机制通过多个元路径融合丰富的语义，得到综合的节点嵌入。实验结果表明，丰富的高阶语义的重要性，也显示了潜在的良好的解释性HGRec。
2020-09-02 cs.IR cs.LG cs.SI
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
Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）
交互式推荐旨在从项目和用户之间的动态交互中学习，以实现响应性和准确性。强化学习在应对动态环境方面具有先天优势，因此在交互式推荐研究中引起了越来越多的关注。受知识感知推荐的启发，本文提出了知识引导的深度强化学习（KGRL），利用强化学习和知识图谱的优势进行交互式推荐。该模型是在演员-评论家网络框架上实现的。它维护一个本地知识网络来指导决策，并采用注意力机制来捕获项目之间的长期语义。我们在模拟的在线环境中使用六个公开的真实世界数据集进行了全面的实验，并证明了我们的模型优于几种最先进的方法。
2020-04-17 cs.IR cs.LG stat.ML
Explainable Biomedical Recommendations via Reinforcement Learning Reasoning on Knowledge Graphs
AstraZeneca（阿斯利康）
为了让人工智能在生物学和医学领域产生更大的影响，建议的准确性和透明度至关重要。在其他领域，神经符号方法的多跳推理的知识图谱已被证明产生透明的解释。然而，缺乏将其应用于复杂生物医学数据集和问题的研究。在本文中，探索药物发现的方法，得出坚实的结论，其适用性。我们第一次系统地将其应用于多个生物医学数据集和推荐任务，并进行了公平的基准比较。研究发现，该方法平均比最佳基线高出21.7%，同时产生了新颖的生物学相关解释。
2022-10-07 cs.AI cs.LG cs.SI
DARec: Deep Domain Adaptation for Cross-Domain Recommendation via Transferring Rating Patterns
University of New South Wales（新南威尔士大学）
跨领域推荐一直是推荐系统研究的热点之一。最近，已经提出了各种深度模型来跨领域转移学习的知识，但是它们中的大多数集中于从辅助内容中提取抽象的可转移特征，例如，图像和评论文本，而评级矩阵本身的模式很少被触及。在这项工作中，受领域自适应概念的启发，我们提出了一个深度领域自适应模型（DARec），该模型能够从评级矩阵{ \em only}中提取和传输模式，而不依赖于任何辅助信息。我们在公共数据集上实证证明，我们的方法在几种最先进的跨域推荐模型中达到了最佳性能。
2019-05-26 cs.IR cs.LG stat.ML
Graph Convolutional Network for Recommendation with Low-pass Collaborative Filters
Tsinghua University（清华大学）
\textbf{G}卷积\textbf{N}网络（\textbf{GCN}）被广泛用于图数据学习任务，例如推荐。然而，当面对一个大的图，图卷积是非常昂贵的计算，因此被简化在所有现有的GCN，但严重受损，由于过度简化。为了解决这个问题，我们利用GCN中的\textit{original graph convolution}，并提出了一个\textbf{L}低通\textbf{C}协同\textbf{F}过滤器（\textbf{LCF}），使其适用于大型图。LCF的设计目的是去除观测数据中由曝光和量化引起的噪声，并且以无损的方式降低图卷积的复杂度。实验表明，LCF提高了图卷积的有效性和效率，我们的GCN显着优于现有的GCN。代码可在\url{https://github.com/Wenhui-Yu/LCFN}上获得。
2021-01-18 cs.IR cs.LG stat.ML
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
Song Recommendation with Non-Negative Matrix Factorization and Graph Total Variation
Swiss Federal Institute of Technology (EPFL)（瑞士联邦理工学院（洛桑联邦理工学院））
这项工作制定了一个新的歌曲推荐系统作为一个矩阵完成的问题，受益于协同过滤通过非负矩阵分解（NMF）和基于内容的过滤通过全变差（TV）的图形。这些图表使用音频、元数据和社交功能的丰富组合对播放列表接近度信息和歌曲相似度进行编码。正如我们所展示的，我们的混合推荐系统是非常通用的，并结合了几个著名的方法，同时优于他们。特别是，我们在现实世界的数据表明，我们的模型克服了w.r.t.两个评估度量：仅基于低秩信息、基于图的信息或两者的组合的模型的推荐。
2016-01-13 cs.IR cs.LG physics.data-an
Graph Neural Networks for Social Recommendation
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
近年来，图神经网络（GNNs），它可以自然地集成节点信息和拓扑结构，已被证明是强大的学习图形数据。GNN的这些优点为推进社会推荐提供了巨大的潜力，因为社会推荐系统中的数据可以表示为用户-用户社交图和用户-项目图;学习用户和项目的潜在因素是关键。然而，构建基于GNN的社会推荐系统面临着挑战。例如，用户-项目图对交互及其相关联的意见进行编码;社会关系具有异质强度;用户涉及两个图（例如，用户-用户社交图和用户-项目图）。为了同时解决上述三个挑战，在本文中，我们提出了一种新的图神经网络框架（GraphRec）的社会建议。特别是，我们提供了一个原则性的方法来共同捕捉用户项图中的交互和意见，并提出了框架GraphRec，它连贯地建模两个图和异构的优势。在两个真实数据集上的大量实验证明了所提出的框架GraphRec的有效性。我们的代码可在\url{https://github.com/wenqifan03/GraphRec-WWW19}上获得
2019-11-23 cs.IR cs.LG cs.SI
Session-based Recommendation with Graph Neural Networks
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of Science and Technology Beijing（北京科技大学）；Tongji University（同济大学）；Microsoft Research Asia（微软亚洲研究院）
基于会话的推荐问题的目的是基于匿名会话预测用户的行为。先前的方法将会话建模为序列，并且除了项目表示之外还估计用户表示以进行推荐。虽然取得了可喜的成果，他们是不够的，以获得准确的用户向量的会话和忽略复杂的项目过渡。为了获得准确的项目嵌入，并考虑到项目的复杂过渡，我们提出了一种新的方法，即基于会话的推荐与图神经网络，SR-GNN为简洁。在所提出的方法中，会话序列被建模为图结构的数据。基于会话图，GNN可以捕获项目的复杂转换，这是很难被以前的传统顺序方法揭示。然后，每个会话被表示为使用注意力网络的全局偏好和该会话的当前兴趣的组合。在两个真实数据集上进行的大量实验表明，SR-GNN明显优于最先进的基于会话的推荐方法。
2019-01-24 cs.IR cs.LG stat.ML
Graphing else matters: exploiting aspect opinions and ratings in explainable graph-based 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，目前基于图嵌入的推荐方法已经显示出最先进的性能。这些方法通常对潜在的评级模式和内容特征进行编码。与以往的工作不同，在本文中，我们建议利用从图中提取的嵌入，结合文本评论中表达的评级和基于方面的意见的信息。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。我们的方法的优点是提供的解释，利用基于方面的意见，由用户推荐的项目。此外，我们还提供了利用方面意见作为可视化仪表板中的解释的建议的适用性的示例，该仪表板允许获得关于从输入图的嵌入中获得的类似用户的最喜欢和最不喜欢的方面的信息。
2022-07-28 cs.AI cs.IR cs.LG
Graph Neural Network for Product Recommendation on the Amazon Co-purchase Graph
Department of Computer Science, Georgia Institute of Technology（计算机科学系，佐治亚理工学院）
针对现代推荐系统在海量数据中识别相关信息的挑战，本研究评估了LightGCN等四种GNN架构在亚马逊共同购买网络链接预测任务中的性能，考察多维度权衡，为实际推荐场景部署GNN提供模型性能参考。
2025-08-10 cs.IR cs.LG
P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Network
Xiamen University（厦门大学）；Insightone Tech Co., Ltd（智联科技有限公司）
本文提出P4GCN方法，通过隐私保护两方图卷积网络实现纵向联邦社交推荐，在无需直接访问敏感社交数据的前提下提升推荐准确性，并在四个数据集上验证其优于现有方法。
2025-02-04 cs.AI cs.IR cs.LG
Thematic recommendations on knowledge graphs using multilayer networks
Spotify Ltd（Spotify有限公司）
我们提出了一个框架，以产生和评估基于多层网络表示的知识图谱（KG）的主题推荐。在这种表示中，每个层在KG中编码不同类型的关系，并且有向层间耦合以不同的角色连接相同的实体。不同类型的连接的相对重要性通过直观的显着性矩阵来捕获，该矩阵可以从数据中估计，调整以纳入领域知识，解决不同的用例或尊重业务逻辑。我们应用自适应的个性化PageRank算法的多层模型的KG生成项目项目的建议。这些建议反映了我们对内容的了解，适用于主题和/或冷启动建议设置。从用户数据中评估主题推荐提出了独特的挑战，我们通过开发一种方法来评估依赖于用户项目评级的推荐，但尊重其主题性质。我们还表明，显著性矩阵可以估计从用户数据。我们证明了我们的方法的效用显着提高消费指标在AB测试中，协同过滤提供低于标准的性能。我们还将我们的方法应用于使用公开数据的电影推荐，以确保我们的结果的可重复性。我们证明，我们的方法优于现有的主题推荐方法，甚至是竞争力的协同过滤方法。
2021-05-12 cs.IR cs.LG cs.SI
Recommender systems based on graph embedding techniques: A comprehensive review
University of Electronic Science and Technology of China（电子科技大学）
推荐系统作为缓解信息过载问题的关键工具，其目标是通过分析用户与项目之间的关系，从数百万候选项目中预测用户的偏好项目。为了解决推荐系统中的稀疏性和冷启动问题，研究者们采用了在推荐中引入边信息或知识的策略来发现隐藏的（间接的）用户-项目关系，旨在丰富推荐所需的观测信息（或数据）。然而，面对高复杂性和大规模的边信息和知识，该策略的有效实施依赖于推荐模型的可扩展性。直到机器学习流行之后，图嵌入技术才成为一个焦点，它可以有效地利用复杂和大规模的数据。有鉴于此，近年来，为推荐系统配备图嵌入技术得到了广泛的研究，似乎优于直接基于图拓扑分析实现的传统推荐。作为重点，本文从二分图、一般图和知识图谱的嵌入技术入手，回顾了基于图嵌入的推荐方法，并提出了基于图嵌入的推荐方法的一般设计流程。此外，通过仿真比较几种典型的基于图嵌入的推荐模型与最常用的传统推荐模型，发现传统推荐模型在预测隐式用户-项目交互方面的性能优于基于图嵌入的推荐模型，揭示了基于图嵌入的推荐模型在这些任务中的相对弱点。为了促进未来的研究，本文提出了在不同任务中权衡基于图嵌入的推荐和传统推荐的建议，并提出了开放性问题。
2022-03-22 cs.IR cs.LG
How Do Graph Signals Affect Recommendation: Unveiling the Mystery of Low and High-Frequency Graph Signals
School of Computer Science；Technology Soochow University Suzhou China；School of Electronic；Information Engineering Suzhou University of Science；Institute of Artificial Intelligence, Beihang University State Key Laboratory of Complex \& Critical Software Environment Beihang University Beijing China；School of Computing Macquarie University Sydney Australia；Soochow University；Suzhou University of Science；Beihang University；Macquarie University
本文揭示了低频和高频图信号在推荐中的等效作用，提出频率信号标定器和空间翻转方法以提升推荐效果。
2025-12-10 cs.LG
Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations
College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出UGPIG方法，通过剪枝用户图解决空间异质性忽视问题，并构建意图图缓解区域历史交互数据稀疏性，从而有效提升可持续发展模式推荐性能。
2023-09-21 cs.IR cs.LG
Attentive Graph-based Text-aware Preference Modeling for Top-N Recommendation
National Taiwan University（国立台湾大学）
针对现有评论模型在Top-N推荐中表现不佳且数据受限的问题，提出AGTM模型，通过结合图卷积网络的高阶连通性与物品文本内容，有效提升了Top-N推荐性能。
2023-05-22 cs.IR cs.LG
QoS-Aware Graph Contrastive Learning for Web Service Recommendation
Yonsei University（延世大学）；Jeonbuk National University（全北国立大学）
针对Web服务推荐中的数据稀疏和冷启动问题，提出QAGCL模型，利用图对比学习构建包含地理位置信息的增强图以学习嵌入，有效提升了QoS感知推荐的准确性。
2024-01-06 cs.IR cs.LG cs.SE
UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks
Ping An Technology (Shenzhen) Co., Ltd（平安科技（深圳）有限公司）
基于会话的推荐问题旨在根据用户的会话历史预测用户的下一步行为。以前的方法将会话历史建模为序列，并通过RNN和GNN方法估计用户潜在特征以进行推荐。然而，在大规模、复杂的金融推荐场景下，虚拟商品和真实商品并存，这种方法不足以准确地表现用户的潜在特征，也忽略了用户的长期特征。为了兼顾用户的长期偏好和动态兴趣，本文提出了一种新的嵌入式推荐方法，即基于用户的图神经网络嵌入式推荐方法（UBER-GNN）。UBER-GNN利用结构化数据来生成长期用户偏好，并将会话序列转换为图来生成基于图的动态兴趣。最后利用注意力机制将用户潜在特征表示为用户长期偏好和动态兴趣的组合。在真实的平安场景上进行的大量实验表明，UBER-GNN优于最先进的基于会话的推荐方法。
2020-08-06 cs.IR cs.LG
Practical recommendations for gradient-based training of deep architectures
与人工神经网络相关的学习算法，特别是用于深度学习的学习算法，似乎涉及许多花里胡哨的东西，称为超参数。本章是一个实用指南，对一些最常用的超参数提出了建议，特别是在基于反向传播梯度和基于梯度的优化的学习算法的背景下。它还讨论了如何处理这样一个事实，即当允许调整多个超参数时，可以获得更有趣的结果。总的来说，它描述了用于成功有效地训练和调试大规模且通常是深度多层神经网络的实践要素。最后，它提出了一些关于在更深层次的架构中观察到的训练困难的开放性问题。
2012-09-16 cs.LG
Neighbor Enhanced Graph Convolutional Networks for Node Classification and Recommendation
Beihang University（北京航空航天大学）；Yangtze University（长江大学）；Alibaba Group（阿里巴巴集团）；Cainiao Network（菜鸟网络）；Jinan University（暨南大学）；Tencent Inc.（腾讯公司）
最近提出的图卷积网络（GCN）在各种与图相关的任务（如节点分类和推荐）上取得了显着优越的性能。然而，目前对GCN模型的研究通常是递归地聚合所有邻居或随机采样的邻居子集的信息，而没有明确地识别聚合的邻居在图卷积过程中是否提供有用的信息。本文从理论上分析了邻居质量对GCN模型性能的影响，提出了邻居增强图卷积网络（Neighbor Enhanced Graph Convolutional Network，NEGCN）框架来提高现有GCN模型的性能。我们的贡献是三方面的。首先，我们在第一次提出的概念，邻居质量的节点分类和推荐任务的一般理论框架。具体而言，对于节点分类，我们提出了三个命题，从理论上分析邻居质量如何影响GCN模型的节点分类性能。其次，基于提出的三个命题，我们引入了图细化过程，包括专门设计的邻居评估方法，以提高邻居质量，从而提高节点分类和推荐任务。第三，我们在几个基准数据集上进行了广泛的节点分类和推荐实验。实验结果表明，我们提出的NEGCN框架可以显着提高性能的各种典型的GCN模型上的节点分类和推荐任务。
2022-03-30 cs.LG
Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation
Yonsei University（延世大学）
针对现有群体推荐方法需复杂昂贵训练的问题，提出Group-GF方法，通过构建多视图项目相似性图、发现独特多项式图滤波器并聚合，实现极快推荐且兼具高准确性。
2025-02-13 cs.AI cs.IR cs.IT
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
DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Lehigh University（理海大学）
在信息爆炸时代，推荐系统被广泛研究和应用，以发现用户偏好的信息。当遭受冷启动问题时，RS表现不佳，如果将知识图谱（KG）作为边信息，则可以缓解该问题。然而，大多数现有的工作忽略了这样一个事实，即节点度在KG中是偏斜的，大量的相互作用在KG中是不相关的。为了解决这些问题，在本文中，我们提出了微分采样知识图谱与关系GNN（DSKReG）的建议，学习的相关性分布的连接项目从KG和样本合适的项目推荐遵循此分布。我们设计了一个可微分的抽样策略，使相关项目的选择，以共同优化的模型训练过程。实验结果表明，我们的模型优于国家的最先进的KG为基础的推荐系统。该代码可在https://github.com/YuWang-1024/DSKReG上获得。
2021-08-26 cs.LG
Graph Federated Learning for Personalized Privacy Recommendation
Yangzhou University（扬州大学）；Jilin University（吉林大学）；City University of Hong Kong（香港城市大学）；Nanjing University（南京大学）
本文提出GFed-PP框架，通过构建用户-项目交互图和用户关系图，利用公开用户数据并保护私有用户隐私，在适应不同隐私需求的同时显著提升了联邦推荐系统的准确性。
2025-08-08 cs.AI cs.LG
Solving Cold-Start Problem in Large-scale Recommendation Engines: A Deep Learning Approach
University of Rochester（罗切斯特大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；CareerBuilder
协同过滤（CF）因其高效、准确和可扩展性而被广泛应用于大规模推荐引擎中。然而，在实践中，基于CF的推荐引擎在进行推荐之前需要用户和项目之间的交互，这使得尚未暴露给最终用户的新项目不适合进行交互。这就是所谓的冷启动问题。在本文中，我们介绍了一种新的方法，采用深度学习来解决这个问题，在任何CF为基础的推荐引擎。所提出的技术的最重要的特点之一是，它可以应用于任何现有的CF基于推荐引擎，而不改变CF核心的事实。我们成功地应用这种技术，以克服项目冷启动问题，在凯业必达的CF推荐引擎。我们的实验表明，所提出的技术是非常有效的解决冷启动问题，同时保持高精度的CF建议。
2016-11-16 cs.IR cs.LG
Cluster-Enhanced Federated Graph Neural Network for Recommendation
针对联邦图神经网络推荐中个人图缺乏高阶协同信号且隐私风险高的问题，本文提出CFedGR框架，通过服务器聚类预训练用户表示增强个人图，并设计两种通信优化策略，在三个基准数据集上验证了有效性。
2024-12-28 cs.IR cs.LG
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
The complementarity of a diverse range of deep learning features extracted from video content for video recommendation
University of Pretoria（比勒陀利亚大学）；MultiChoice Group（MultiChoice 集团）
随着流媒体的普及，许多视频流媒体服务不断购买新的视频内容，以从中挖掘潜在的利润。因此，必须很好地处理新添加的内容以推荐给合适的用户。在本文中，我们通过探索各种深度学习功能提供视频推荐的潜力来解决新项目冷启动问题。所研究的深度学习特征包括从视频内容捕获视觉外观、音频和运动信息的特征。我们还探讨了不同的融合方法，以评估如何以及这些功能模态可以结合起来，充分利用它们所捕获的互补信息。在真实世界的视频数据集上进行的电影推荐实验表明，深度学习特征的性能优于手工制作的特征。特别是，使用深度学习音频特征和以动作为中心的深度学习特征生成的推荐优于MFCC和最先进的iDT特征。此外，将各种深度学习功能与手工制作的功能和文本元数据相结合，与仅结合前者相比，在推荐方面产生了显着的改进。
2022-01-01 cs.IR cs.LG cs.MM
GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation
Kyushu Institute of Technology（九州工业大学）
本文提出GraphDiffMed，一种结合噪声感知注意力和药理约束的药物推荐框架，通过双尺度差分注意力在院内和院间层面过滤虚假信号，提升推荐质量和安全性。
2026-03-21 cs.AI cs.LG
Personalized Graph Neural Networks with Attention Mechanism for Session-Aware Recommendation
会话感知推荐的目标是根据用户的当前会话和历史会话预测用户的下一次点击。现有的会话感知推荐方法在捕捉复杂的项目转换关系方面存在缺陷。除此之外，他们中的大多数都没有明确区分不同历史会话对当前会话的影响。为此，我们提出了一种新的方法，命名为个性化图神经网络与注意力机制（A-PGNN）的简洁。A-PGNN主要由两部分组成：一是个性化图神经网络（PGNN），用于提取每个用户行为图中的个性化结构信息，而传统的图神经网络（GNN）模型在节点嵌入更新时考虑了用户的角色。另一种是点积注意力机制，它利用Transformer网络来显式地模拟历史会话对当前会话的影响。在两个真实数据集上进行的大量实验表明，A-PGNN明显优于最先进的个性化会话感知推荐方法。
2021-01-27 cs.IR cs.LG
