Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation
The University of New South Wales(新南威尔士大学);Macquarie University(麦考瑞大学);Osaka University(大阪大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织Data61)
本文提出因果解耦变分自编码器CaD-VAE,利用结构因果模型建模推荐场景中潜在因素间的因果关系,以学习因果解耦表示,从而提升推荐模型的鲁棒性、可解释性与可控性,并在实验中优于现有方法。
2023-04-17 cs.AI cs.IR
Calibration-Disentangled Learning and Relevance-Prioritized Reranking for Calibrated Sequential Recommendation
University of California, San Diego(加利福尼亚大学圣迭戈分校)
针对序列推荐中相关性与类别校准冲突的问题,提出 LeapRec,通过校准解耦训练损失和相关性优先重排序,在四个真实数据集上持续优于现有方法。
2024-08-04 cs.AI cs.IR
Disentangled Multimodal Representation Learning for Recommendation
已经提出了许多多模态推荐系统来利用与用户或项目相关联的丰富的辅助信息(例如,用户评论和项目图像),用于学习更好的用户和项目表示以提高推荐性能。心理学研究表明,用户在利用各种信息组织方式时存在个体差异。因此,对于项目的某个因素(例如外观或质量),不同模态的特征对于用户具有不同的重要性。然而,现有的方法忽略了这样一个事实,即不同的模态对用户对项目的各种因素的偏好有不同的贡献。鉴于此,本文提出了一种新的解纠缠多模态表示学习(DMRL)推荐模型,该模型能够在用户偏好建模中捕获用户对不同模态的关注。特别是,我们采用了一个解纠缠表示技术,以确保在每个模态的不同因素的功能是相互独立的。然后设计了一个多模态注意力机制来捕捉用户对每个因素的模态偏好。基于由注意力机制获得的估计权重,我们通过结合用户对目标项目的每个因素在不同模态上的偏好的偏好分数来进行推荐。五个真实世界的数据集上的广泛的评估表明,我们的方法相比现有的方法的优越性。
2022-10-25 cs.IR cs.MM
Disentangled Graph Contrastive Learning for Review-based Recommendation
用户评论数据有助于缓解许多推荐系统中的数据稀疏问题。在基于评论的推荐方法中,评论数据被认为是辅助信息,其可以提高用于用户评级预测任务的所学习的用户/项目或交互表示的质量。然而,这些方法通常以整体的方式对用户-项目交互进行建模,而忽略了它们背后的潜在因素的纠缠,例如,价格,质量或外观,导致次优表示和降低可解释性。本文提出了一种基于文本评论数据的基于评论推荐的解纠缠图对比学习(DiscentralGraphContrasiveLearning,DGARCH)框架,分别对基于不同潜在因素的用户-项目交互进行建模。为此,我们首先从评论数据中的语义信息和用户项图数据中的结构信息对潜在因素的交互分布进行建模,形成几个因素图。然后设计了一个因子分解的消息传递机制来学习因子图上的用户/项目表示,这使我们能够进一步表征交互,并通过设计的注意力机制自适应地组合来自多个因子的预测评级。最后,我们设置两个因素明智的对比学习目标,以减轻稀疏性问题和模型的用户/项目和交互功能相关的每个因素更准确。五个基准数据集的实证结果验证了DGCLR相对于最先进方法的优越性。进一步的分析提供了解释学习的意图因素和评级预测在DGRENT。
2022-09-04 cs.IR
Multimodal Representation-disentangled Information Bottleneck for Multimodal Recommendation
针对多模态推荐中噪声和冗余信息问题,提出MRdIB框架,通过信息瓶颈压缩和独特、冗余、协同三部分解纠缠,提升表示质量,实验验证其有效性和通用性。
2025-09-24 cs.AI cs.IR
Structural and Disentangled Adaptation of Large Vision Language Models for Multimodal Recommendation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));New York University Abu Dhabi(阿布扎比纽约大学);Peking University(北京大学);University of Technology Sydney(悉尼科技大学)
本文提出SDA框架,通过跨模态结构对齐和模态解耦适应,解决多模态推荐中表示不一致和梯度冲突问题,实验显示在三个Amazon数据集上提升了推荐性能。
2026-04-25 cs.IR
MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation
University of Science and Technology of China(中国科学技术大学);State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室)
针对跨域推荐中用户偏好捕捉难、易出现负迁移的问题,提出多视图解耦自适应偏好学习框架MDAP,通过多视图编码、门控解码自适应融合表征,实验证明其性能优于现有最优跨域及单域推荐模型。
2024-10-08 cs.IR cs.LG
Time-Interval-Aware Disentangled Expert Modeling for Next-Basket Recommendation
Laboratory for Artificial Intelligence and New Forms of Education, Central China Normal University(华中师范大学人工智能与教育新形态实验室);School of Software Engineering, Huazhong University of Science and Technology(华中科技大学软件学院);School of Computer Science and Technology, Huazhong University of Science and Technology(华中科技大学计算机科学与技术学院)
本文提出TIDE模型,通过时间区间解耦专家架构和傅里叶时间编码,解决下篮推荐中习惯与探索的冲突问题,提升推荐效果。
2026-05-01 cs.IR
Edge-Enhanced Global Disentangled Graph Neural Network for Sequential Recommendation
Soochow University(苏州大学);Macquarie University(麦考瑞大学);Rutgers University(罗格斯大学);Texas Tech University(德州理工大学);The Hong Kong University of Science and Technology(香港科技大学)
顺序推荐一直是推荐系统研究的热点。现有的工作有助于增强基于各种方法的顺序推荐系统的预测能力,例如递归网络和自注意力机制。然而,他们未能发现和区分项目之间的各种关系,这可能是激发用户行为的潜在因素。在本文中,我们提出了一个边缘增强的全局解纠缠图神经网络(EGD-GNN)模型来捕捉项目之间的关系信息的全局项目表示和局部用户意图学习。在全局级别,我们在所有序列上构建全局链接图来建模项关系。然后设计了一个通道感知的解纠缠学习层,将边缘信息分解到不同的通道中,这些通道可以从其邻居中聚合来表示目标项。在局部层次上,我们应用变分自动编码器框架来学习用户对当前序列的意图。我们评估我们提出的方法在三个真实世界的数据集。实验结果表明,我们的模型可以得到一个关键的改进,比国家的最先进的基线,并能够区分项目的功能。
2021-11-23 cs.IR cs.LG
DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation
Peking University(北京大学);University of Washington(华盛顿大学)
由于异构信息网络可以模拟用户与项目交互过程中丰富的上下文信息,因此被广泛用于解决推荐系统中的稀疏性和冷启动问题。图神经网络能够通过在图上的传播来编码这种丰富的上下文信息。然而,现有的异构图神经网络忽略了不同方面潜在因素的纠缠性。此外,现有方法中的Meta路径被简化为节点对之间的连接路径或边信息,忽略了路径中丰富的语义信息。在本文中,我们提出了一种新的解纠缠异构图注意力网络DisenHAN顶部- $N$推荐,学习解纠缠用户/项目表示从不同的方面在一个异构的信息网络。特别是,我们使用Meta关系来分解节点对之间的高阶连接,并提出了一个解开嵌入传播层,它可以迭代地识别Meta关系的主要方面。我们的模型从目标用户/项目的每个Meta关系中聚合相应的方面特征。通过不同层次的嵌入传播,DisenHAN能够显式地捕捉协同过滤效果的语义。在三个真实世界数据集上的广泛实验表明,DisenHAN始终优于最先进的方法。我们通过富有洞察力的案例研究和可视化进一步证明了学习到的解纠缠表示的有效性和可解释性。
2021-06-21 cs.IR cs.LG cs.SI
Reinforcement Learning with a Disentangled Universal Value Function for Item Recommendation
NetEase Inc.(网易公司);Sun Yat-sen University(中山大学);Tsinghua University(清华大学)
近年来,将强化学习(RL)应用于推荐系统(RS)的研究引起了人们极大的兴趣,同时也带来了挑战。在本文中,我们总结了大规模的基于RL的推荐系统的三个关键的实际挑战:大规模的状态和动作空间,高方差的环境,和不具体的奖励设置在推荐。所有这些问题在现有的文献中仍然很大程度上未被探索,并使RL的应用具有挑战性。我们开发了一个基于模型的强化学习框架,称为GoalRec。受世界模型(基于模型)、价值函数估计(无模型)和基于目标的强化学习思想的启发,提出了一种用于项目推荐的通用价值函数.它可以推广到各种目标,推荐可能有,并解开随机环境动态和高方差奖励信号相应。作为价值函数的一部分,摆脱稀疏和高方差的奖励信号,训练出高容量的与奖励无关的世界模型,以模拟特定目标下的复杂环境动态。基于预测的环境动态,解纠缠的通用价值函数与用户的未来轨迹相关,而不是单一状态和标量奖励。我们证明了GoalRec在一系列模拟和实际应用中的上述三个实际挑战方面优于以前的方法。
2021-04-11 cs.IR cs.LG
Disentangled Graph Variational Auto-Encoder for Multimodal Recommendation with Interpretability
针对多模态推荐中表示纠缠难解释的问题,提出解耦图变分自编码器 DGVAE,通过多模态转文本、图编码与互信息对齐提升推荐性能和可解释性,并在三个数据集上取得 10.02% 的性能提升。
2024-02-25 cs.IR cs.MM
HiD-VAE: Interpretable Generative Recommendation via Hierarchical and Disentangled Semantic IDs
Jilin University(吉林大学);City University of Hong Kong(香港城市大学);Nanjing University(南京大学)
HiD-VAE通过层次化监督量化与唯一性损失,生成解耦可解释的语义ID,解决ID冲突,提升生成式推荐的准确性与多样性。
2025-09-11 cs.AI cs.IR
Disentangled Representation for Diversified Recommendations
Bytedance Inc.(字节跳动公司);University of Virginia(弗吉尼亚大学)
长期以来,准确性和多样性一直被认为是推荐的两个相互冲突的目标。然而,我们指出,由于多样性通常是通过某些预先选择的项目属性来衡量的,例如,类别作为最普遍采用的一种,只要多样化尊重用户对预选属性的偏好,就可以在不牺牲推荐准确性的情况下实现改进的多样性。这就需要对用户对物品的偏好进行细粒度的理解,其中需要认识到用户的选择是由物品本身的质量或物品的预选属性驱动的。在这项工作中,我们专注于项目类别定义的多样性。我们提出了一个一般的多样化框架不可知的推荐算法的选择。我们的解决方案将推荐模块中的学习用户表示分解为独立于类别和依赖于类别的组件,以区分用户对两个正交角度的项目的偏好。在三个基准数据集和在线A/B测试上的实验结果表明,该方法在提高推荐准确率和多样性方面是有效的。深入分析表明,这种改进是由于我们改进了用户分类偏好的建模和项目类别内的精细排名。
2023-01-13 cs.AI cs.IR
Learning Disentangled Representations for Recommendation
Alibaba Group(阿里巴巴集团);Tsinghua University(清华大学)
推荐系统中的用户行为数据由用户决策过程背后的许多潜在因素的复杂交互驱动。这些因素是高度纠缠在一起的,并且可以从管理用户意图的高级因素到表征用户在执行意图时的偏好的低级因素。发现和解开这些潜在因素的学习表示可以带来增强的鲁棒性,可解释性和可控性。然而,从用户行为中学习这种分离的表示是具有挑战性的,并且在很大程度上被现有文献所忽视。在本文中,我们提出了MACRo-micro解纠缠变分自动编码器(MacridVAE)学习解纠缠表示用户行为。我们的方法通过推断与用户意图相关联的高级概念(例如,购买衬衫或手机),同时分别捕获用户关于不同概念的偏好。然后,源自VAE的信息论解释的微解纠缠正则化器迫使表示的每个维度独立地反映孤立的低水平因子(例如,衬衫的尺寸或颜色)。实证结果表明,我们的方法可以实现实质性的改善,超过国家的最先进的基线。我们进一步证明,学习的表示是可解释和可控的,这可能会导致一个新的范例推荐,用户被赋予细粒度的控制目标方面的推荐列表。
2019-10-31 cs.IR cs.LG stat.ML
Disentangled Cascaded Graph Convolution Networks for Multi-Behavior Recommendation
针对多行为推荐中偏好捕捉不准、因素纠缠及缺乏个性化的问题,提出Disen-CGCN模型,通过解耦表示、多行为元网络和注意力机制优化推荐,在基准数据集上较SOTA平均提升7.07%与9.00%。
2024-04-17 cs.IR
DiscRec: Disentangled Semantic-Collaborative Modeling for Generative Recommendation
DiscRec通过物品级位置嵌入和双分支门控融合,解决生成式推荐中令牌-物品错位与语义-协同信号纠缠问题,在四个数据集上超越现有方法。
2025-06-22 cs.IR
FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Sun Yat-sen University(中山大学)
针对跨域序列推荐中数据隐私与特征异构性问题,提出联邦框架FedDCSR,通过序列表示解耦与领域内对比信息最大化策略分离共享与专属特征,显著优于基线方法。
2024-01-16 cs.IR cs.LG
Beyond Negative Transfer: Disentangled Preference-Guided Diffusion for Cross-Domain Sequential Recommendation
针对跨域序列推荐中的负迁移和噪声问题,提出可分离偏好引导扩散模型DPG-Diff,分解域不变与域特定偏好引导去噪,实现稳健知识迁移,实验优于现有基线。
2025-08-30 cs.AI cs.IR cs.SI
Intent-aware Recommendation via Disentangled Graph Contrastive Learning
针对用户行为不足下的复杂意图学习及不同行为意图分布关联问题,提出基于解耦图对比学习的意图感知推荐方法IDCL,通过行为解耦模块、意图级对比学习和编码率降低正则化实现可解释推荐,实验验证其性能提升显著。
2024-03-06 cs.IR
Disentangled Graph Neural Networks for Session-based Recommendation
基于会话的推荐(SBR)由于其仅利用当前会话中有限的用户行为历史而具有很大的实用价值,近年来受到越来越多的研究关注。现有的方法通常在项目级别学习会话嵌入,即,聚合项目的嵌入,有或没有分配给项目的注意力权重。然而,它们忽略了这样的事实,即用户采用物品的意图是由物品的某些因素驱动的(例如,一部电影的主要演员)。换句话说,他们没有在因素级别上探索用户的更细粒度兴趣以生成会话嵌入,从而导致次优性能。为了解决这个问题,我们提出了一种新的方法,称为解纠缠图神经网络(Disen-GNN)捕捉会话的目的,考虑因素级的注意力对每个项目。具体而言,我们首先采用解纠缠学习技术,将项目嵌入转换为多个因素的嵌入,然后使用门控图神经网络(GGNN)学习嵌入因素明智的基础上,项目相邻的相似性矩阵计算每个因素。此外,距离相关性被用来增强每对因素之间的独立性。在用独立的因素表示每个项目之后,设计了注意力机制来学习用户对会话中每个项目的不同因素的意图。然后通过聚合项目嵌入与每个项目的因素的注意力权重来生成会话嵌入。为此,我们的模型在因素级别考虑用户意图,以推断用户在会话中的目的。在三个基准数据集上的大量实验证明了该方法的优越性。
2022-01-11 cs.IR
Disentangled Modeling of Preferences and Social Influence for Group Recommendation
针对群组推荐中偏好偏差和数据稀疏问题,提出DisRec模型,通过用户级解耦网络分离群组成员偏好与社会影响,结合基于社会的对比学习策略,在两个真实数据集上性能显著优于现有方法。
2025-01-20 cs.IR
Transition Information Enhanced Disentangled Graph Neural Networks for Session-based Recommendation
基于会话的推荐是一种基于匿名行为序列预测下一个项目的实用推荐任务,其性能严重依赖于序列中项目之间的转移信息。SBR中的SOTA方法使用GNN来模拟来自全局(即,其他会话)和局部(即,当前会话)上下文的相邻项转换。然而,大多数现有方法平等地对待来自不同会话的邻居,而没有考虑来自不同会话的邻居项目可能在不同方面与目标项目共享相似的特征,并且可能具有不同的贡献。换句话说,它们没有探索全局上下文中项之间的更细粒度的转换信息,导致性能次优。在本文中,我们填补了这一空白,提出了一种新的过渡信息增强的解纠缠图神经网络(TIE-DGNN)模型捕捉更细粒度的项目之间的过渡信息,并试图解释的原因,通过建模的项目的各种因素的过渡。具体来说,我们提出了一个位置感知的全局图,它利用相对位置信息来模拟相邻项的转换。然后,我们将项嵌入切片成块,每个块代表一个因子,并使用解纠缠模块在全局图上单独学习因子嵌入。对于本地上下文,我们通过使用注意力机制从当前会话捕获转换信息来训练项嵌入。为此,我们的模型考虑了两个层次的过渡信息。特别是在全局文本中,我们不仅考虑了更细粒度的项目之间的转换信息,而且还考虑了用户的意图在因素级解释的关键原因的过渡。在三个数据集上的大量实验表明,我们的方法优于SOTA方法。
2022-04-05 cs.IR
Attribute-driven Disentangled Representation Learning for Multimodal Recommendation
提出AD-DRL方法,通过显式引入多模态属性在属性与属性值层面解耦特征,学习鲁棒独立的表示,提升了多模态推荐的可解释性与可控性。
2024-07-31 cs.IR cs.MM
Causal Disentangled Recommendation Against User Preference Shifts
推荐系统容易面临用户偏好变化的问题。如果用户的偏好随着时间的推移而改变,用户表示将变得过时并导致不适当的推荐。为了解决这个问题,现有的工作集中在学习鲁棒的表示或预测的变化模式。缺乏一个全面的观点来发现用户偏好变化的根本原因。为了理解偏好转移,我们抽象出一个因果图来描述用户交互序列的生成过程。假设用户偏好在短时间内是稳定的,我们抽象的交互序列作为一组按时间顺序排列的环境。从因果图中,我们发现一些未观察到的因素的变化(例如,怀孕)导致环境之间的偏好转变。此外,细粒度的用户偏好的类别稀疏影响与不同的项目的交互。受因果图的启发,我们处理偏好转移的关键考虑因素在于通过以下方式对交互生成过程进行建模:1)捕获跨环境的偏好转移以进行准确的偏好预测,以及2)将用户偏好对交互的稀疏影响分离出来以进行准确的偏好效果估计。为此,我们提出了一个因果分解推荐(CDR)框架,它通过时间变分自编码器捕获偏好转移,并学习来自多个环境的稀疏影响。具体地说,编码器是用来推断未观察到的因素,从用户的交互,而解码器是模型的交互生成过程。此外,我们引入了两个可学习的矩阵来解开用户偏好对交互的稀疏影响。最后,我们设计了一个多目标损失优化CDR。在三个数据集上的大量实验表明了CDR的优越性。
2023-03-28 cs.IR
DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation
Peking University(北京大学);University of International Business and Economics(对外经济贸易大学);University of Washington(华盛顿大学);Sichuan University(四川大学)
针对用户冷启动问题,本文提出基于图的解耦对比学习框架DisCo,通过多通道图编码器捕捉细粒度用户意图、构建亲和图与随机游走获取用户相似性,并结合意图级对比学习优化跨域迁移,在四个基准数据集上优于现有基线。
2025-02-12 cs.IR cs.LG
Disentangled Variational Auto-encoder Enhanced by Counterfactual Data for Debiasing Recommendation
提出解耦去偏变分自编码器框架(DB-VAE)解决推荐系统多偏差耦合问题,并利用反事实数据增强缓解稀疏数据监督信号缺乏,实验证明其有效性。
2023-06-28 cs.IR
Crocodile: Cross Experts Covariance for Disentangled Learning in Multi-Domain Recommendation
针对多域推荐中域共性学习与长尾域模块训练不足的困境,提出Crocodile模型,通过多嵌入表实现域感知,并利用跨专家协方差损失解耦嵌入以捕获多样用户兴趣,在公开数据集和腾讯广告在线A/B测试中均取得显著提升。
2024-11-20 cs.IR
When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation
Renmin University of China(中国人民大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
针对搜索与推荐(S&R)用户意图差异被忽略的问题,提出SESRec框架,通过对比学习解耦S&R行为中的相似与不相似表示,并利用注意力机制提取用户兴趣,在多数据集上显著优于现有模型。
2023-05-18 cs.AI cs.IR
Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(赛富时人工智能研究院);Walmart Global Tech(沃尔玛全球技术)
本文提出IGRec模型,通过自门控解耦用户兴趣、Gumbel-Softmax聚合生成群体表示,并采用双训练评分预测,利用群体信息缓解数据稀疏和冷启动问题,在三个数据集上验证了有效性。
2023-11-16 cs.IR cs.LG
DISCO: A Hierarchical Disentangled Cognitive Diagnosis Framework for Interpretable Job Recommendation
School of Artificial Intelligence, Anhui University(安徽大学人工智能学院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);University of Science and Technology of China(中国科学技术大学);Institutes of Physical Science and Information Technology, Anhui University(安徽大学物理与信息技术研究院);School of Computer Science and Technology, Anhui University(安徽大学计算机科学与技术学院);Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心)
本文提出DISCO,一个层次化解耦认知诊断框架,通过层次化表示解耦、层级感知关联建模和引入认知测量理论的交互诊断模块,实现有效且可解释的职位推荐。
2024-10-15 cs.AI cs.IR
Are Representation Disentanglement and Interpretability Linked in Recommendation Models? A Critical Review and Reproducibility Study
本文在四个数据集上复现了五种推荐模型,量化并研究了解耦与推荐有效性和表征可解释性的联系,发现解耦与有效性无关,但与可解释性密切相关。
2025-01-30 cs.IR
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
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
Hete-CF: Social-Based Collaborative Filtering Recommendation using Heterogeneous Relations
协同过滤算法在推荐系统中得到了广泛的应用。然而,它们经常遭受数据稀疏和冷启动问题。随着社交媒体的日益普及,这些问题可以通过使用基于社交的推荐来解决。基于社会信息的推荐是一个新兴的研究领域,它利用社会信息来缓解数据稀疏和冷启动问题,并且已经证明基于社会信息的推荐算法可以有效地提高推荐性能。然而,现有的算法很少考虑在一个社交网络中使用多种类型的关系。本文研究了异构社交网络上基于社会的推荐算法,提出了一种基于异构关系的社会协同过滤算法Hete-CF。与现有的方法不同,Hete-CF可以有效地利用异构社会网络中的多种类型的关系。此外,Hete-CF是一种通用方法,并且可以在任意社交网络中使用,包括基于事件的社交网络、基于位置的社交网络以及与社交信息相关联的任何其他类型的异构信息网络。在DBLP(一种典型的异构信息网络)和MeeShop(一种典型的基于事件的社交网络)两个真实数据集上的实验结果表明了该算法的有效性和高效性。
2014-12-24 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
Curriculum Pre-Training Heterogeneous Subgraph Transformer for Top-$N$ Recommendation
由于数据异构建模的灵活性,异构信息网络(HIN)已经被采用来表征被称为\emph{HIN-based recommendation}的顶级$N$推荐系统中的复杂和异构辅助数据。HIN的特点是复杂的,异构的数据关系,包含各种信息,可能不相关的推荐任务。因此,有效地利用来自HIN的有用信息来提高推荐性能是具有挑战性的。为了解决上述问题,我们提出了一个基于课程预训练的异构子图Transformer(称为\emph{CHEST})与新的\emph{data characterization},\emph{representation model}和\emph{learning algorithm}。具体来说,我们考虑从HIN中提取有用的信息来组成特定于交互的异构子图,包含足够的和相关的上下文信息用于推荐。然后,我们通过一个异构的子图Transformer,在那里我们编码的子图与多槽序列表示的子图中捕获丰富的语义(\eg图结构和路径语义)。此外,我们设计了一个课程预训练策略,提供了一个初级到高级的学习过程,我们顺利地转移基本语义HIN建模用户-项目交互关系。在三个真实世界的数据集上进行的大量实验表明,我们提出的方法优于一些有竞争力的基线,特别是当只有有限的训练数据。
2021-06-12 cs.IR
Heterogeneous User Modeling for LLM-based Recommendation
针对开放域推荐中跨域异构行为建模难题,本文提出 HUM,通过行为 token 压缩、掩码机制和领域重要性分数提升效果与鲁棒性。
2025-07-27 cs.IR
Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation
University of Technology Sydney(悉尼科技大学);Curtin University(科廷大学);University of New South Wales(新南威尔士大学);Tsinghua University(清华大学)
传统的基于观察交互数据训练的推荐模型在广泛的应用中产生了很大的影响,但它面临着覆盖用户真实意图的偏差问题,从而降低了推荐效果。现有的方法跟踪这个问题,因为消除了鲁棒推荐的偏差,例如,通过重新加权训练样本或学习解纠缠表示。非纠缠表征方法通过揭示偏差产生的因果关系来消除偏差。然而,如何设计语义感知和公正的表示用户的真实意图在很大程度上是未知的。为了弥合这一差距,我们首先从因果的角度提出了一种无偏见的语义感知的解纠缠学习,称为CaDSI(因果解纠缠语义感知意图学习)。特别是,CaDSI明确地建模的因果关系的推荐任务,从而产生语义感知表示通过解开用户的真实意图知道特定的项目上下文。此外,因果干预机制的目的是消除混淆的偏见源于上下文信息,这进一步调整语义感知表示与用户的真实意图。大量的实验和案例研究都验证了我们提出的模型的鲁棒性和可解释性。
2022-02-05 cs.IR cs.LG
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong(香港大学)
推荐系统在许多Web应用中扮演着重要的角色,以满足用户的个性化兴趣和减轻信息过载。在这项调查中,我们回顾了开发的建议框架,重点是异构关系学习,其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中,这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题,最近的研究进展可以分为三个主要路线:社会推荐,知识图谱增强的推荐系统,和多行为推荐。我们讨论了每一类的学习方法,如矩阵分解,注意力机制和图神经网络,有效地提取异构上下文信息。最后,我们提出了一个探索性的前景,突出几个有前途的方向和机会,在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
Disentangled Item Representation for Recommender Systems
推荐系统中的项目表示被期望揭示项目的属性。协同推荐方法通常将一个项目表示为一个单个的潜在向量。如今,电子商务平台提供物品的各种属性信息(例如,服装的种类、价格和款式)。利用这些属性信息来更好地表示项目是近年来流行的。一些研究使用给定的属性信息作为边信息,与项目特征向量连接以增强表征。然而,混合项目表示未能充分利用丰富的属性信息或提供解释的推荐系统。为此,我们提出了一种细粒度的解纠缠项目表示(Disentangled Item Representation,缩写为EEE)的推荐系统,在本文中,项目表示为几个独立的属性向量,而不是一个单一的潜在向量。通过这种方式,在属性级别上表示项目,从而可以在推荐中提供项目的细粒度信息。我们引入了一个学习策略,Learnstroke,它可以分配相应的属性向量的项目。我们展示了如何将神经网络应用于两个典型的模型,矩阵分解(MF)和递归神经网络(RNN)。在两个真实数据集上的实验结果表明,该框架下开发的模型是有效的和高效的。即使使用较少的参数,该模型可以优于国家的最先进的方法,特别是在冷启动的情况下。此外,我们做了可视化,以表明我们的主张可以为用户在现实世界中的应用程序提供解释。
2021-04-01 cs.IR
Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
针对异构图神经网络中元路径图密集且含噪导致节点嵌入受影响的问题,提出 MCL 模型,通过随机掩码策略增强图并采用跨视图对比学习捕获局部与高阶结构,提升了推荐鲁棒性。
2025-05-30 cs.IR
Recommendation Through Mixtures of Heterogeneous Item Relationships
推荐系统已经扩散作为通用的方法来模拟各种各样的消费者交互数据。具体实例利用范围从用户反馈、项目关系、地理位置、社会影响(等)的信号。通常,研究表明,利用特定信号(在精心设计的模型中)可以在特定数据集上提供更高保真的建议。当然,实际情况更加微妙,许多信号的组合可能在发挥作用,或者受到个人用户不同比例的青睐。在这里,我们寻求开发一个框架,能够结合这种异构项目的关系,同时建模(a)什么样的模式的建议是用户可能会受到在特定的时间点;(b)什么是最好的建议,从每一种模式。我们的方法借鉴了混合专家方法和知识图谱嵌入的思想。我们发现,我们的方法自然会产生更准确的建议比替代品,同时也提供直观的“解释”背后的建议,它提供。
2018-08-29 cs.IR
From IDs to Semantics: A Generative Framework for Cross-Domain Recommendation with Adaptive Semantic Tokenization
Xi’an Jiaotong–Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学)
针对跨域推荐中ID分词困境、域专属建模不足的问题,本文提出生成式框架GenCDR,通过自适应分词、跨域自回归建模与域感知前缀树实现跨域推荐,实验证明其性能优于现有最优基线。
2025-11-16 cs.IR
HeterRec: Heterogeneous Information Transformer for Scalable Sequential Recommendation
针对TSR模型忽略物品侧异构特征的问题,提出含HTFL和HCT的HeterRec模型,通过物品异构令牌化、分层因果特征提取及LMP损失优化,在离线和在线数据集上实现更优性能。
2025-04-19 cs.IR
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术,其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤(CCF)存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法,异构协同过滤(HCF),以解决这些挑战的根源,同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明,我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
Learning Compatibility Across Categories for Heterogeneous Item Recommendation
University of California, San Diego(加州大学圣迭戈分校)
识别项目之间的关系是在线推荐系统的一项关键任务,以帮助用户发现功能互补或视觉兼容的项目。在服装推荐等领域,这项任务特别具有挑战性,因为一个成功的系统应该能够处理大量的项目,它们之间的大量关系,以及涉及的高维和语义复杂的特征。此外,人类对“兼容性”的概念不仅仅是相似性:对于两件兼容的物品-无论是牛仔裤和T恤,还是笔记本电脑和充电器-它们应该在某些方面相似,但在其他方面系统地不同。在本文中,我们提出了一种新的方法,MPEG4,学习产品推荐设置中的项目之间的复杂和异构的关系。最近,已经开发了可扩展的方法,通过在所涉及的产品的内容之上学习相似性度量来解决这一任务。在这里,我们的方法放松了先前工作中固有的度量假设,并对“相关性”的多个本地化概念进行建模,以揭示相关项目应该系统地相似和系统地不同的方式。定量分析表明,我们的系统在大规模兼容性预测任务上实现了最先进的性能,特别是在相关项目之间存在大量异质性的情况下。定性,我们证明了更丰富的概念的兼容性,可以学习超越相似性,我们的模型可以有效地建议异构内容。
2016-09-29 cs.CV cs.IR cs.LG
DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation
Peking University(北京大学);Meituan(美团)
针对POI推荐中序列与地理影响纠缠导致性能与可解释性下降的问题,提出解耦双图框架DisenPOI,利用对比学习提取解耦表示并通过自监督实现解耦,在三个数据集上验证了优越性。
2023-09-14 cs.AI 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
DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System
针对LLMs与协同模型直接表示对齐的次优问题,提出解耦对齐框架DaRec,通过分离特定与共享表示并进行结构对齐,有效促进了知识迁移并提升了下游推荐任务性能。
2024-12-21 cs.IR
TIMBRE: Efficient Job Recommendation On Heterogeneous Graphs For Professional Recruiters
针对职位推荐中的冷启动、时序敏感和信息整合难题,本文提出时序异构图方法TIMBRE,结合图神经网络实现高效时序推荐,并用推荐系统指标进行验证。
2024-11-06 cs.IR
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
Deep Unified Representation for Heterogeneous Recommendation
Alibaba Group(阿里巴巴集团);Ant Financial Services Group(蚂蚁金融服务集团);University of Science and Technology of China(中国科学技术大学)
推荐系统一直是学术界和工业界广泛研究的课题。以往的工作主要集中在同类推荐系统上,对于异构推荐系统的研究进展甚微。然而,异构的建议,例如,推荐不同类型的物品,包括产品、视频、名人购物笔记等,如今占主导地位。现有技术的方法不能利用来自不同类型的项目的属性,因此存在数据稀疏性问题。联合表示具有不同特征空间的项目确实是相当具有挑战性的。为了解决这个问题,我们提出了一个基于核的神经网络,即深度统一表示(或DURation)的异构推荐,联合建模异构项目的统一表示,同时保持其原始的特征空间拓扑结构。理论上,我们证明了所提出的模型的表示能力。此外,我们在真实世界的数据集上进行了广泛的实验。实验结果表明,在统一表示的情况下,我们的模型取得了显着的改善(例如,AUC评分提高4.1% ~ 34.9%,在线CTR提高3.7%)。
2022-01-26 cs.IR cs.LG
HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
Kuaishou Technology(快手科技)
针对内容平台推荐需求,提出HGenPush架构。通过设计混合用户行为理解等模块,兼顾视频与作者推荐,采用轻量预测方法并利用用户反馈提升质量,部署后使快手日活用户显著增加。
2026-07-07 cs.IR