题目: Neural Hybrid Recommender: Recommendation needs collaboration

摘要: 近年来,深度学习在计算机视觉、语音识别、自然语言处理等领域取得了无可争议的成功。在这些具有挑战性的领域获得成功之后,推荐系统也得到了研究,但主要是将特征包含到传统方法中。本文介绍了一种可通过附加网络扩展的基于代理神经网络的推荐框架。这个名为NHR的框架,简称神经混合推荐我们包含更多来自相同和不同数据源的详细信息。我们已经研究过项目预测问题,但是该框架可以用于对预测问题进行等级划分,也可以用于损失函数的单一变化,为了评估这种框架的效果,我们已经在基准测试和尚未实验的数据集上进行了测试。在这些真实世界数据集中的结果表明,我们的方法优于最先进的方法。

成为VIP会员查看完整内容
0
11

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

主题: Deep Learning on Knowledge Graph for Recommender System: A Survey

摘要: 最近的研究表明,知识图谱(KG)在提供有价值的外部知识以改进推荐系统(RS)方面是有效的。知识图谱能够编码连接两个对象和一个或多个相关属性的高阶关系。借助于新兴的GNN,可以从KG中提取对象特征和关系,这是成功推荐的一个重要因素。本文对基于GNN的知识感知深度推荐系统进行了综述。具体来说,我们讨论了最新的框架,重点是它们的核心组件,即图嵌入模块,以及它们如何解决实际的推荐问题,如可伸缩性、冷启动等。我们进一步总结了常用的基准数据集、评估指标以及开源代码。最后,我们对调查结果进行了总结,并提出了这一快速发展领域的潜在研究方向。

成为VIP会员查看完整内容
0
112

题目: A Survey on Knowledge Graph-Based Recommender Systems

摘要:

为了解决信息爆炸问题,提高用户在各种在线应用中的体验,人们开发了推荐系统来模拟用户的偏好。尽管人们已经为更个性化的推荐做了很多努力,但是推荐系统仍然面临着一些挑战,如数据稀疏和冷启动。近年来,以知识图为辅助信息的推荐生成引起了人们的极大兴趣。这种方法不仅可以缓解上述问题,使推荐更加准确,而且可以为推荐项目提供解释。本文对基于知识图的推荐系统进行了系统的研究。我们收集了最近在这一领域发表的论文,并从两个角度对其进行了总结。一方面,我们通过研究论文如何利用知识图进行精确和可解释的推荐来研究所提出的算法。另一方面,我们介绍了这些工作中使用的数据集。最后,提出了该领域的几个潜在研究方向。

成为VIP会员查看完整内容
0
122

题目

上下文感知推荐系统的图卷积机:Graph Convolution Machine for Context-aware Recommender System

关键字

图卷积,编码器与解码器,上下文感知,深度学习,推荐系统

简介

推荐的最新进展表明,可以通过在用户项目交互图上执行图卷积来学习更好的用户和项目表示形式。但是,这种发现主要限于协作过滤(CF)场景,在该场景中无法使用交互上下文。在这项工作中,我们将图卷积的优势扩展到了上下文感知推荐系统(CARS,代表了可以处理各种辅助信息的通用类型的模型)。我们提出了图卷积机(GCM),它是一个由以下组成的端到端框架:三个组件:编码器,图卷积(GC)层和解码器。编码器将用户,项目和上下文投影到嵌入向量中,然后将其传递到GC层,以利用上下文感知的图卷积在用户项图中对用户和项目嵌入进行细化。解码器通过考虑用户,项目和上下文嵌入之间的交互,提取经过精炼的嵌入以输出预测分数。我们对Yelp的三个真实数据集进行了实验,验证了GCM的有效性以及对CARS执行图形卷积的好处。

作者

Jiancan Wu,Xiangnan He,Xiang Wang,Qifan Wang,Weijian Chen,JianxunLian,Xing Xie,Yongdong Zhang来自中国科学技术大学

成为VIP会员查看完整内容
0
60

题目: RecVAE: a New Variational Autoencoder for Top-NRecommendations with Implicit Feedback

摘要: 最近的研究表明,使用基于深度神经网络的自动编码器进行协同过滤具有优势。特别地,最近提出的使用多项式似然变分自编码的mult-VAEmodel,对top-N推荐给出了excel lent结果。在这项工作中,我们提出了一个来自于我们对变分自编码器正则化技术的研究的etherecommender-VAE(RecVAE)模型。RecVAE提出了一些改进变分自编码器正则化技术的新思想,包括一种新的潜在码的复合先验分布,一种为β-VAEframework设置β超参数的新方法,以及基于交替更新的训练新方法。在实验评估中,我们发现在经典的协同过滤数据集中,比先前提出的基于自动编码器的模型(包括多个VAEandRaCT)有更大的优越性,并提出了一个详细的消融研究来评估我们的新进展。

成为VIP会员查看完整内容
0
25

讲座题目

社会用户兴趣挖掘:方法与应用:Social User Interest Mining: Methods and Applications

讲座简介

社交网络上丰富的用户生成内容提供了建立模型的机会,这些模型能够准确有效地提取、挖掘和预测用户的兴趣,希望能够实现更有效的用户参与、更好质量地提供适当的服务和更高的用户满意度。虽然传统的建立用户档案的方法依赖于基于人工智能的偏好获取技术,这些技术可能被用户认为是侵入性的和不受欢迎的,但最近的进展集中在确定用户兴趣和偏好的非侵入性但准确的方法上。在本教程中,我们将介绍与有效挖掘用户兴趣相关的五个重要方面: 1)用于提取用户兴趣的信息源 2)文献中提出的各类用户兴趣简介 3)为挖掘用户利益而采用或提议的技术 4)最新方法的可扩展性和资源需求 5)文献中采用的评估方法,用于验证挖掘的用户兴趣概要的适当性。我们还将介绍现有的挑战、开放的研究问题和激动人心的工作机会。

讲座嘉宾

Fattane Zarrinkalam博士是Ryerson大学系统、软件和语义实验室(LS3)的博士后研究员,她在那里从事与支持语义的社交网络分析相关的项目。在博士研究期间,她专注于根据社交网络(尤其是Twitter)上的个人和集体行为来识别社交媒体用户的兴趣。她在CIKM、ESWC和ECIR等场馆发表了自己的作品。此外,她还在包括信息检索、信息处理和管理在内的顶级期刊上发表期刊论文。此外,在她攻读博士学位期间,她参与了两项向美国专利局提出的专利申请。

成为VIP会员查看完整内容
0
33

论文题目: Relation-Aware Graph Convolutional Networks for Agent-Initiated Social E-Commerce Recommendation

论文摘要:

近年来,agent-initiated社交电子商务模式取得了巨大的成功,这种模式鼓励用户成为销售代理商,通过他们的社交关系来推广商品。这种类型的社交电子商务中的复杂交互可以表述为异构信息网络(HIN),其中三种节点之间的关系有多种类型,分别为用户、销售代理和商品。学习高质量的节点嵌入是研究的重点,图卷积网络(GCNs)是近年来发展起来的最先进的表示学习方法。然而,现有的GCN模型在建模异构关系和有效地从大量邻域中采样相关接收域方面都存在基本的局限性。为了解决这些问题,我们提出了RecoGCN(a RElation-aware CO-attentive GCN model)来有效地聚合HIN中的异构特征。它弥补了目前GCN在使用关系感知聚合器建模异构关系方面的局限性,并利用语义感知元路径为每个节点开辟简洁和相关的接受域。为了有效地融合从不同元路径中学习到的嵌入,我们进一步提出了一种co-attentive机制,通过关注用户、销售代理和商品之间的三种交互来动态地为不同的元路径分配重要性权重。在真实数据集上的大量实验表明,RecoGCN能够学习HIN中有意义的节点嵌入,并且在推荐任务中始终优于baseline方法。

部分作者简介:

Jianxun Lian是微软亚洲研究院研究员,研究兴趣是推荐系统,用户建模,深度学习,NLP。

成为VIP会员查看完整内容
0
50

可解释推荐尝试开发模型,不仅生成高质量的推荐,而且生成直观的解释。解释可以是事后的,也可以直接来自可解释的模型(在某些上下文中也称为可解释的或透明的模型)。可解释推荐尝试解决为什么的问题:通过向用户或系统设计者提供解释,它帮助人们理解为什么算法推荐某些项目,而人既可以是用户,也可以是系统设计者。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满意度。

在这次调查中,我们回顾了在2019年或之前可解释的建议的工作。我们首先通过将推荐问题划分为5W来强调可解释推荐在推荐系统研究中的地位。什么,什么时候,谁,在哪里,为什么。然后,我们从三个角度对可解释推荐进行了全面的调查:1)我们提供了可解释推荐的研究时间轴,包括早期的用户研究方法和最近的基于模型的方法。2)我们提供了一个二维分类法来对现有的可解释推荐研究进行分类:一个维度是解释的信息源(或显示样式),另一个维度是生成可解释推荐的算法机制。3)我们总结了可解释推荐如何应用于不同的推荐任务,如产品推荐、社交推荐和POI推荐。我们还专门用一节来讨论更广泛的IR和AI/ML研究中的解释视角。最后,我们讨论了未来可解释推荐研究领域的发展方向。

成为VIP会员查看完整内容
0
81

To provide more accurate, diverse, and explainable recommendation, it is compulsory to go beyond modeling user-item interactions and take side information into account. Traditional methods like factorization machine (FM) cast it as a supervised learning problem, which assumes each interaction as an independent instance with side information encoded. Due to the overlook of the relations among instances or items (e.g., the director of a movie is also an actor of another movie), these methods are insufficient to distill the collaborative signal from the collective behaviors of users. In this work, we investigate the utility of knowledge graph (KG), which breaks down the independent interaction assumption by linking items with their attributes. We argue that in such a hybrid structure of KG and user-item graph, high-order relations --- which connect two items with one or multiple linked attributes --- are an essential factor for successful recommendation. We propose a new method named Knowledge Graph Attention Network (KGAT) which explicitly models the high-order connectivities in KG in an end-to-end fashion. It recursively propagates the embeddings from a node's neighbors (which can be users, items, or attributes) to refine the node's embedding, and employs an attention mechanism to discriminate the importance of the neighbors. Our KGAT is conceptually advantageous to existing KG-based recommendation methods, which either exploit high-order relations by extracting paths or implicitly modeling them with regularization. Empirical results on three public benchmarks show that KGAT significantly outperforms state-of-the-art methods like Neural FM and RippleNet. Further studies verify the efficacy of embedding propagation for high-order relation modeling and the interpretability benefits brought by the attention mechanism.

0
36
下载
预览

To address the sparsity and cold start problem of collaborative filtering, researchers usually make use of side information, such as social networks or item attributes, to improve recommendation performance. This paper considers the knowledge graph as the source of side information. To address the limitations of existing embedding-based and path-based methods for knowledge-graph-aware recommendation, we propose Ripple Network, an end-to-end framework that naturally incorporates the knowledge graph into recommender systems. Similar to actual ripples propagating on the surface of water, Ripple Network stimulates the propagation of user preferences over the set of knowledge entities by automatically and iteratively extending a user's potential interests along links in the knowledge graph. The multiple "ripples" activated by a user's historically clicked items are thus superposed to form the preference distribution of the user with respect to a candidate item, which could be used for predicting the final clicking probability. Through extensive experiments on real-world datasets, we demonstrate that Ripple Network achieves substantial gains in a variety of scenarios, including movie, book and news recommendation, over several state-of-the-art baselines.

0
7
下载
预览
小贴士
相关VIP内容
可解释推荐:综述与新视角
专知会员服务
81+阅读 · 2019年10月13日
相关资讯
相关论文
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
82+阅读 · 2020年2月28日
Memory Augmented Graph Neural Networks for Sequential Recommendation
Chen Ma,Liheng Ma,Yingxue Zhang,Jianing Sun,Xue Liu,Mark Coates
12+阅读 · 2019年12月26日
Xiang Wang,Xiangnan He,Yixin Cao,Meng Liu,Tat-Seng Chua
36+阅读 · 2019年5月20日
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
7+阅读 · 2019年2月19日
Chih-Ming Chen,Chuan-Ju Wang,Ming-Feng Tsai,Yi-Hsuan Yang
6+阅读 · 2019年2月19日
RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
7+阅读 · 2018年8月7日
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
14+阅读 · 2018年5月19日
Massimo Quadrana,Paolo Cremonesi,Dietmar Jannach
8+阅读 · 2018年2月23日
Huan Zhao,Quanming Yao,Yangqiu Song,James Kwok,Dik Lun Lee
10+阅读 · 2018年1月8日
Top