Using Social Media Background to Improve Cold-start Recommendation Deep Models
Osaka University(大阪大学)
在推荐系统中,当没有与用户或项目相关联的过去交互记录时,就会出现冷启动问题。冷启动问题的典型解决方案利用上下文信息,例如用户人口统计属性或产品描述。一组研究表明,社交媒体背景可以帮助预测产品销售和股票价格走势等时间现象。在这项工作中,我们的目标是调查是否可以使用社会媒体背景作为额外的上下文信息,以改善推荐模型。基于现有的深度神经网络模型,我们提出了一种方法来表示时间社交媒体背景作为嵌入和融合它们作为一个额外的组件在模型中。我们在真实世界的电子商务数据集和Twitter数据集上进行实验评估。结果表明,我们将社交媒体背景与现有模型融合的方法确实普遍提高了推荐性能。在某些情况下,在与社交媒体背景融合后,通过hit-rate@K测量的推荐准确度会翻倍。我们的研究结果可以为未来的推荐系统设计,考虑复杂的时间信息代表社会利益是有益的。
2021-06-04 cs.AI cs.IR
Vista: A Visually, Socially, and Temporally-aware Model for Artistic Recommendation
UC San Diego(加州大学圣迭戈分校);Adobe Research(Adobe研究院)
理解用户与高度主观内容(如艺术图像)的交互是一项挑战,因为指导我们偏好的语义很复杂。一方面,必须克服“标准”推荐系统的挑战,如处理大型,稀疏和长尾数据集。另一方面,也出现了一些新的挑战,比如需要根据视觉外观对内容进行建模,甚至是社会动态,比如对特定艺术家的偏好,而这种偏好与他们创作的艺术无关。在本文中,我们构建了大规模的推荐系统,以模拟一个充满活力的数字艺术社区Behance的动态,该社区由数千万个交互组成(点击和“欣赏”)的用户对数字艺术。在方法上,我们的主要贡献是模型(a)丰富的内容,特别是在其视觉外观方面;(b)时间动态,即用户如何在会话内和会话之间偏好“视觉一致”的内容;(c)社会动态,即用户如何表现出对某些艺术风格以及艺术家本身的偏好。
2016-07-15 cs.AI cs.IR
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
Positional encoding is not the same as context: A study on positional encoding for sequential recommendation
Huawei London RC(华为伦敦研发中心)
本研究区分了顺序推荐中位置编码与时间足迹的不同作用,提出新编码及整合策略,在八个Amazon数据集上超越当时最先进水平,并强调正确编码对模型性能与稳健性的关键性。
2025-01-21 cs.AI cs.IR
Multi-Behavior Sequential Recommendation with Temporal Graph Transformer
University of Hong Kong(香港大学);South China University of Technology(华南理工大学);Simon Fraser University(西蒙菲莎大学)
随着时间的推移,随着用户的顺序项目交互的偏好建模,已引起越来越多的关注,在许多在线应用。因此,顺序推荐系统已经被开发来学习动态用户的兴趣,从历史的互动建议项目。然而,在大多数现有的顺序推荐系统中的交互模式编码功能集中在单一类型的用户-项目交互。在许多现实生活中的在线平台中,用户-项目交互行为通常是多类型的(例如,点击、添加到收藏夹、购买),具有复杂的跨类型行为相互依赖性。基于用户和项目的多类型交互数据,从用户和项目的信息表示中学习,对于准确地表征随时间演化的用户偏好具有重要意义。在这项工作中,我们解决了动态的用户-项目关系学习与多行为交互模式的意识。为此,我们提出了一个新的时间图Transformer(TGT)推荐框架,共同捕捉动态的短期和长期的用户项目交互模式,通过探索不同类型的行为之间不断发展的相关性。新的TGT方法赋予顺序推荐体系结构提取专门的知识,为特定类型的行为,关系上下文和隐式的行为依赖。在真实数据集上的实验表明,我们的方法TGT始终优于各种最先进的推荐方法。我们的模型实现代码可在https://github.com/akaxlh/TGT上获得。
2022-06-06 cs.AI cs.IR cs.LG
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University(嘉应学院)
在大数据时代,推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来,推荐系统的技术发展经历了从感知学习到认知推理的过程,将推荐任务直观地构建为逻辑推理的过程,并取得了显著的进步。然而,推理中的逻辑陈述隐含地承认了排序的无关性,甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外,结合时间上下文的推荐模型将倾向于自我关注,即,自动聚焦更多(更少)的相关性(无关性)。针对这些问题,本文提出了一种基于时间感知的自注意力神经协作推理(TiSANCR)推荐模型,将时间模式和自注意力机制集成到基于推理的推荐中。特别是,时间模式表示的相对时间,提供上下文和辅助信息来描述用户的偏好在推荐,而自我注意是利用提取信息模式和抑制无关。因此,自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明,提出的TiSANCR推荐算法性能显著提高,并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Mean-Variance Efficient Sampling
Ulsan National Institute of Science and Technology (UNIST)(蔚山科学技术院);University of Glasgow(格拉斯哥大学)
针对个人投资者易忽视投资理论、偏好个人选择的问题,提出整合个人偏好、投资组合多样化及时序动态的PfoTGNRec模型,通过均值-方差有效采样和时序图网络提升推荐表现,在真实数据上优于现有基线。
2024-11-30 cs.AI cs.LG q-fin.ST
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
EviGraph: Proof-Carrying Selective Recommendation over Temporal Public-Service Knowledge Graphs
Hong Kong Baptist University(香港浸会大学);Tokyo University of Science(东京理科大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);The University of Tokyo(东京大学)
EviGraph通过区分关键决策需求与可未解决信息,利用语言智能体和确定性检查器在时序知识图谱中验证证据,减少公共服务推荐中的不必要弃权,强调明确决策要求而非增加验证。
2026-10-02 cs.AI
Can Generative Recommendation Reach Cold Items? A Temporal Perspective on Semantic-ID Generation
Renmin University of China(中国人民大学);Alibaba(阿里巴巴)
研究基于语义ID生成的生成式推荐对冷门商品的覆盖情况,采用绝对时间时间协议及多种分析方法,发现当前模型能覆盖部分未来商品,但在未见原子令牌和无支持路径上有困难,揭示其组合但非完全开放式特点并给出未来方向。
2026-07-24 cs.AI
ChronoID: Infusing Explicit Temporal Signals into Semantic IDs for Generative Recommendation
University of Rochester(罗切斯特大学);Meta MRS;MBZUAI
提出ChronoID框架,通过沿三个正交维度注入显式时间信号到语义ID中,解决生成式推荐中时间信息缺失问题,并构建新基准验证其有效性。
2026-06-15 cs.AI cs.IR
SSTKG: Simple Spatio-Temporal Knowledge Graph for Intepretable and Versatile Dynamic Information Embedding
University of New South Wales(新南威尔士大学)
本文提出SSTKG框架,通过新的3步嵌入方法将时空数据整合进知识图谱,用于未来时间序列预测和空间信息推荐,提升了预测准确性与推荐相关性。
2024-02-19 cs.AI
Extracting Attentive Social Temporal Excitation for Sequential Recommendation
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);University of Glasgow(格拉斯哥大学)
在协同过滤中,充分利用社会信息来提高推荐质量是一种重要的方法,由于用户的行为会受到她的好友的影响,这已经被证明是有效的。然而,现有的工作,利用社会关系,聚集用户特征,从朋友的历史行为序列中的用户级间接范例。间接范式的一个显著缺陷是它忽略了跨用户的行为事件之间的时间关系。在本文中,我们提出了一个新的时间感知的顺序推荐框架称为社会时间激励网络(STEN),它引入了时间点过程模型的细粒度的影响,朋友的行为对用户的动态兴趣在事件级的直接范式。此外,我们建议将时序推荐中的时序效应分解为社会互时序效应和自我时序效应。具体来说,我们采用了一个社会异构图嵌入层,通过结构信息来细化用户表示。为了增强时间信息的传播,STEN通过相互激励的时间网络直接提取朋友行为的细粒度时间相互影响。此外,用户的动态兴趣是通过自激时序网络捕获。在三个真实世界数据集上的广泛实验表明,STEN优于最先进的基线方法。此外,STEN提供了事件级的推荐可解释性,这也是实验所示。
2021-09-28 cs.AI cs.IR cs.SI
Disentangling Multiplex Spatial-Temporal Transition Graph Representation Learning for Socially Enhanced POI Recommendation
针对现有POI推荐方法时空转移分开建模导致表征错位的问题,提出基于解耦变分多路图自动编码器的DiMuST模型,通过解耦共享与私有分布、PoE融合及对比去噪提升性能,在两个数据集上多项指标优于现有方法。
2025-10-03 cs.AI cs.LG
Using LLMs to Capture Users' Temporal Context for Recommendation
DePaul University(德保罗大学);Delft University of Technology(代尔夫特理工大学)
本文评估LLM通过解耦短期和长期偏好生成时间感知用户画像的能力,并将其融合为用户嵌入,发现其在交互密集领域推荐效果显著提升,强调了数据集特征的关键作用。
2025-08-11 cs.AI cs.IR
TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations
Samsung Research, Samsung Electronics(三星电子三星研究院)
提出TempGNN框架,利用动态会话图上的时序嵌入算子捕捉物品转移的结构与时间动态,在两个真实电商数据集上取得最先进性能。
2023-10-20 cs.AI cs.IR
Using Temporal Data for Making Recommendations
我们将协同过滤视为单变量时间序列估计问题:给定用户以前的投票,预测下一次投票。我们描述了两个家庭的方法转换数据编码的时间顺序的方式适合现成的分类和密度估计工具,并检查使用这些方法在几个现实世界的数据集的结果。我们实现的预测准确性的改进建议使用利用数据的时间顺序的其他预测算法。
2013-01-10 cs.AI cs.IR cs.LG
Modeling Temporal Positive and Negative Excitation for Sequential Recommendation
The University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);CSIRO’s Data 61(联邦科学与工业研究组织数据61);UNSW(新南威尔士大学)
针对现有序列推荐忽略用户静态兴趣与负向激励的问题,提出含TPNE模块的SDIL框架,同时建模两类兴趣与正负激励,在三个真实数据集上性能超越SOTA基线。
2024-10-29 cs.AI cs.IR
Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention
Ulsan National Institute of Science and Technology(蔚山科学技术院)
针对序列推荐中时间上下文探索不足的问题,提出TemProxRec模型,结合对比学习与自注意力机制捕获跨用户和交互内的垂直与水平时间邻近性,在基准数据集上显著优于现有模型。
2024-02-18 cs.AI cs.IR
STAN: Spatio-Temporal Attention Network for Next Location Recommendation
University of Washington(华盛顿大学);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);Renmin University of China(中国人民大学)
下一个位置推荐是各种基于位置的应用程序的核心。现有的模型试图通过层次网格化来解决空间稀疏性问题,通过显式时间间隔来描述时间关系,但仍有一些关键问题没有得到解决。非相邻位置和非连续访问为理解用户的行为提供了重要的相关性,但很少被考虑。为了从用户轨迹中聚合所有相关访问,并从加权表示中召回最合理的候选者,在这里,我们提出了一个时空注意力网络(STAN)的位置推荐。STAN明确地利用了所有签到的相对时空信息,沿着轨迹具有自我注意层。这种改进允许非相邻位置之间的点对点交互和具有显式时空效果的非连续签入。STAN采用双层注意结构,首先在用户轨迹内聚合时空相关性,然后考虑个性化项目频率(PIF)召回目标。通过可视化,我们表明STAN符合上述直觉。实验结果明确表明,我们的模型比现有的最先进的方法高出9- 17%。
2021-02-08 cs.AI cs.IR
Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of California, Davis(加利福尼亚大学戴维斯分校);Fudan University(复旦大学);Pinterest Inc.(Pinterest公司)
为了模拟用户偏好的演化,我们应该学习基于时间排序的物品购买序列的用户/物品嵌入,这被定义为顺序推荐(SR)问题。现有的方法利用顺序模式来建模项转换。然而,他们中的大多数人忽略了关键的时间协作信号,这是潜在的不断发展的用户-项目交互和共存的顺序模式。因此,我们提出统一的序列模式和时间协同信号,以提高推荐的质量,这是相当具有挑战性的。首先,难以同时编码序列模式和协作信号。其次,它是不平凡的,以表达协同信号的时间效应。因此,我们设计了一个新的框架时间图顺序推荐(TGSRec)在我们定义的连续时间二分图。在TGSRec中提出了一种新的时间协作转换器(TCT)层,该层通过采用一种新的协作注意机制,改进了自注意力机制。TCT层可以同时捕获来自用户和项目的协作信号,并考虑序列模式中的时间动态。我们传播的信息从TCT层的时间图统一的序列模式和时间的合作信号。在5个数据集上的实证结果表明,TGSRec显著优于其他基线,在Recall@10和MRR上平均分别提高了22.5%和22.1%。
2021-08-22 cs.AI cs.IR cs.LG
Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation
Zhejiang University(浙江大学);Hangzhou City University(杭州市大学);Nanjing University(南京大学)
本文提出多模态移动(M^3ob)方法,通过构建统一时空关系图和门控机制,提升位置推荐任务的泛化能力。
2025-12-27 cs.AI cs.CV
Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation
East China Normal University(华东师范大学);Shanghai Jiao Tong University(上海交通大学);Beijing Institute of Technology(北京理工大学);Tsinghua University(清华大学)
顺序推荐的目的是根据历史交互项目推荐目标用户将在不久的将来与之交互的项目。虽然建模时间动态对于顺序推荐至关重要,但大多数现有研究仅集中在用户侧,而忽略了对应物中存在的顺序模式,即,项目方。虽然一些研究调查的动态参与的双重方面,复杂的用户-项目的相互作用并没有充分利用从全球的角度来获得动态的用户和项目表示。在本文中,我们设计了一个新的动态表示学习模型的顺序推荐(DRL-SRe)。为了更好地建模用户-项目交互,从双方的动态特征,所提出的模型建立了一个全球用户-项目交互图的每个时间片,并利用时间片图神经网络学习用户和项目表示。此外,为了使该模型能够捕获细粒度的时间信息,我们提出了一个辅助的时间预测任务的连续时间片的时间点过程的基础上。在三个公开的真实数据集上的综合实验表明,DRL-SRe比最先进的顺序推荐模型有很大的优势。
2021-09-24 cs.AI cs.IR
Temporal User Profiling with LLMs: Balancing Short-Term and Long-Term Preferences for Recommendations
DePaul University(德保罗大学);Delft University of Technology(代尔夫特理工大学)
本文提出LLM-TUP方法,利用大语言模型生成用户历史自然语言表示,结合BERT编码与注意力机制动态融合短期与长期偏好,显著提升了基于内容的个性化推荐性能。
2025-08-11 cs.AI cs.IR
LIT-GRAPH: Evaluating Deep vs. Shallow Graph Embeddings for High-Quality Text Recommendation in Domain-Specific Knowledge Graphs
Department of Computer Science, Kansas State University(计算机科学系,堪萨斯州立大学);Department of Curriculum and Instruction, Kansas State University(课程与教学系,堪萨斯州立大学)
LIT-GRAPH通过比较深度与浅层图嵌入方法,实现领域特定知识图中高质量文本推荐,提升教学相关性。
2026-02-07 cs.AI cs.IR
TimeMM: Time-as-Operator Spectral Filtering for Dynamic Multimodal Recommendation
Xiaohongshu Inc.(小红书公司)
TimeMM通过时域算子谱过滤框架,解决动态多模态推荐中用户兴趣非平稳性问题,引入自适应谱过滤和模态感知路由,提升推荐性能与可扩展性。
2026-04-29 cs.AI cs.IR
Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation
DAMO Academy, Alibaba Group(大模型学院,阿里巴巴集团)
本文提出层次强化学习框架 mccHRL,通过高层智能体建模用户长期感知、低层智能体处理短期兴趣变化,实现列表式推荐的时间抽象,并在模拟器和工业数据集上验证其优于多个基线。
2025-07-19 cs.AI cs.IR cs.LG
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
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
Effectiveness of LLMs in Temporal User Profiling for Recommendation
DePaul University, USA(德保罗大学);Delft University of Technology, Netherlands(代尔夫特理工大学)
本文研究了大语言模型在时间用户画像中的有效性,发现其在用户活跃度高的领域表现更好,但计算成本较高,且在不同领域中效果存在差异。
2025-10-31 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 Forgetting and Spatio-Temporal Periodic Interest Modeling for Local-Life Service Recommendation
本文针对本地生活服务推荐中长序列稀疏和强时空依赖的挑战,提出时空周期性兴趣建模(STIM),通过遗忘曲线动态掩码、混合专家网络和分层多兴趣网络联合建模,在线A/B测试使GTV提升1.54%,已服务数亿日活用户。
2025-11-03 cs.AI cs.IR
FedGRec: Dynamic Spatio-Temporal Federated Graph Learning for Secure and Efficient Cross-Border Recommendations
Macau University of Science and Technology(澳门科技大学);Guangdong Institute of Intelligence Science and Technology(广东智能科学与技术研究院)
FedGRec提出一种隐私保护的联邦图学习方法,利用动态时空建模和个性化聚合,在跨境推荐中提升性能并保护数据隐私。
2025-05-15 cs.AI cs.LG
Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
提出融合时空图神经网络(STGCN)与检索增强生成(RAG)的精准农业系统,实现30天天气预报、作物推荐及农业问答,在尼泊尔1359个地点数据上STGCN预测MSE达0.011。
2026-06-08 cs.AI cs.LG
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
TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation
School of Electronic Information;Electrical Engineering Shanghai JiaoTong University Shanghai, China
针对下一POI推荐中翻译嵌入方法忽视时间因素的问题,提出TransTARec,在统一组件内融合时间影响、序列动态与用户偏好,并在真实数据集上验证其优越性。
2024-04-10 cs.AI cs.IR
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation
University of Technology Sydney(悉尼科技大学);Tongji University(同济大学);Wuhan University of Technology(武汉理工大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
由于知识图谱提供了丰富的信息,基于路径的可解释推荐系统的最新进展引起了越来越多的关注。大多数现有的可解释的推荐只利用静态的知识图谱,而忽略了动态的用户项演化,导致不太令人信服和不准确的解释。虽然有一些工作,认识到建模用户的时间顺序行为可以提高性能和可解释性的推荐系统,他们中的大多数要么只专注于建模用户的顺序交互路径内或独立和单独的推荐机制。本文提出了一种新的基于强化学习的时间元路径引导可解释推荐(TMER-RL),它利用带有注意力机制的连续项之间的强化项-项路径建模,在动态知识图谱上对动态用户-项演化进行顺序建模,以实现可解释推荐。与现有的作品,使用大量的递归神经网络模型的时间信息相比,我们提出了简单而有效的神经网络来捕捉用户的历史项目的功能和基于路径的上下文来表征下一个购买的项目。在两个真实世界数据集上对TMER进行的广泛评估显示,与最近的强基线相比,TMER具有最先进的性能。
2021-11-24 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
HyTRec: A Hybrid Temporal-Aware Attention Architecture for Long Behavior Sequential Recommendation
Shanghai Dewu Information Group(上海德 Wu 信息集团);Wuhan University(武汉大学);USTC;Beihang University(北航大学)
HyTRec通过混合注意力架构和时间感知delta网络,提升长行为序列推荐的精度与效率,实现工业级场景下的高命中率改进。
2026-02-20 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
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
Enhancing Temporal Sensitivity of Large Language Model for Recommendation with Counterfactual Tuning
University of Science and Technology of China(科学技术大学)
针对现有基于大语言模型(LLM)的序列推荐方法时间敏感性不足的问题,提出反事实增强时间框架CETRec,通过因果推理分离时间信息影响并结合反事实微调任务,有效提升LLM对用户交互序列绝对与相对顺序的感知,实验验证其有效性。
2025-08-20 cs.AI cs.CL 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
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
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
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
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
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
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
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
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