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
56

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

题目: Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph

摘要: 近年来,图神经网络(GNN)被应用于知识图谱(KG)的开发。现有的基于GNN的方法在KG中对实体与其本地图上下文之间的依赖关系进行了建模。,但可能无法有效地捕获其非局部图上下文(例如,它的一阶邻居的集合),最相关的高阶邻居集)。在本文中,我们提出了一个新的推荐框架——上下文化的图注意网络(CGAT),它可以显式地利用KG中实体的局部和非局部图上下文信息。特别地,CGAT通过用户特定的图形注意机制捕获本地上下文信息,考虑用户对实体的个性化偏好。此外,CGAT采用了一个有偏随机游走采样过程来提取一个实体的非局部上下文,并利用递归神经网络(RNN)来建模实体与其非局部上下文实体之间的依赖关系。为了捕捉用户对物品的个性化偏好,本文还建立了物品特定注意机制,以模拟目标物品与从用户历史行为中提取的上下文物品之间的依赖关系。在真实数据集上的实验结果验证了CGAT的有效性,并与最新的基于KG的推荐方法进行了比较。

成为VIP会员查看完整内容
0
55

题目: InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions

摘要: 现有的大多数知识图谱是不完整的,这个问题是可以通过基于已知事实推断缺失的链接来进行缓解的。目前一种流行的方法是通过生成实体和关系的低维嵌入,并使用它们进行推断。ConvE是最近提出的一种方法,它将卷积滤波器应用于实体和关系嵌入的 2D重构,以捕获它们之间的交互信息。然而,ConvE捕获的交互作用的量是有限的。在这篇文章中,我们分析了增加这些相互作用的数量如何影响链路预测性能,并利用我们的观察提出了InteractE。InteractE基于三个关键思想:特征排列、新颖的特征重塑和循环卷积。通过大量的实验,我们发现InteractE在FB15k-237上的性能优于最先进的卷积链路预测基线方法。此外,在FB15k-237、WN18RR和YAGO3-10数据集上,InteractE的MRR评分分别比ConvE高9%、7.5%和23%。结果验证了我们的假设,即增加特征交互有助于提高链接预测性能。

成为VIP会员查看完整内容
0
32

题目: Fairness-Aware Explainable Recommendation over Knowledge Graphs

简介: 最近,人们对公平性的考虑日益受到关注,尤其是在智能决策系统中。可解释的推荐系统可能会受到解释偏差和性能差异的困扰。在本文中,我们根据用户的活动水平分析了不同的用户组,发现不同组之间的推荐绩效存在偏差。结果显示由于不活跃用户的培训数据不足,不活跃用户可能更容易收到不满意的推荐,并且由于协作过滤的性质,他们的推荐可能会受到更活跃用户的培训记录的影响,因而受到系统的不公平对待。我们提出了一种启发式重新排序的公平约束方法,以在对知识图的可解释性推荐的背景下减轻这种不公平问题。我们使用基于最新知识图的可解释推荐算法对几个数据集进行了实验,结果表明,我们的算法不仅能够提供高质量的可解释的推荐,而且在几个方面都减少了推荐的不公平性。

成为VIP会员查看完整内容
0
29

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
81

** 简介:**

推荐方法构造了预测模型,以估计用户与项目交互的可能性。先前的模型在很大程度上遵循一般的监督学习范式-将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,此类方法忽略了数据实例之间的关系,这可能导致性能欠佳,尤其是对于稀疏场景。此外,建立在单独数据实例上的模型几乎无法显示出推荐背后的原因,从而使过程难以理解。

在本教程中,我们将从图学习的角度重新审视推荐问题。可以将用于推荐的通用数据源组织成图形,例如用户-项目交互(二分图),社交网络,项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,从而为利用高阶连通性带来了好处,这些高阶连通性对有意义的模式进行了编码,以进行协作过滤,基于内容的过滤,社会影响力建模和知识感知推理。结合图神经网络(GNN)的最新成功,基于图的模型已展现出成为下一代推荐系统技术的潜力。本教程对基于图的学​​习方法进行了回顾,以提出建议,特别关注GNN的最新发展和知识图谱增强的建议。通过在本教程中介绍这个新兴而有前途的领域,我们希望观众可以对空间有深入的了解和准确的见解,激发更多的想法和讨论,并促进技术的发展。

目录:

作者简介:

王翔是新加坡国立大学(NUS)计算机学院的研究员。 他获得了博士学位。 他于2019年获得国大计算机科学博士学位。他的研究兴趣包括推荐系统,信息检索和数据挖掘。 在SIGIR,KDD,WWW和AAAI等顶级会议上,他拥有20多种出版物,包括TOIS和TKDE等期刊。 他曾担任CCIS 2019的本地主席,包括SIGIR,CIKM和MM在内的顶级会议的PC成员以及TKDE和TOIS等著名期刊的定期审稿人。

成为VIP会员查看完整内容
0
73

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
48
小贴士
相关VIP内容
相关论文
Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning
Gaole He,Junyi Li,Wayne Xin Zhao,Peiju Liu,Ji-Rong Wen
6+阅读 · 2020年3月28日
Memory Augmented Graph Neural Networks for Sequential Recommendation
Chen Ma,Liheng Ma,Yingxue Zhang,Jianing Sun,Xue Liu,Mark Coates
11+阅读 · 2019年12月26日
Xiang Wang,Xiangnan He,Meng Wang,Fuli Feng,Tat-Seng Chua
7+阅读 · 2019年5月20日
Xiang Wang,Xiangnan He,Yixin Cao,Meng Liu,Tat-Seng Chua
34+阅读 · 2019年5月20日
Chih-Ming Chen,Chuan-Ju Wang,Ming-Feng Tsai,Yi-Hsuan Yang
5+阅读 · 2019年2月19日
Xiang Wang,Dingxian Wang,Canran Xu,Xiangnan He,Yixin Cao,Tat-Seng Chua
8+阅读 · 2018年11月12日
Rex Ying,Ruining He,Kaifeng Chen,Pong Eksombatchai,William L. Hamilton,Jure Leskovec
9+阅读 · 2018年6月6日
Maartje ter Hoeve,Anne Schuth,Daan Odijk,Maarten de Rijke
5+阅读 · 2018年5月14日
Yinhao Li,Awa Alqahtani,Ellis Solaiman,Charith Perera,Prem Prakash Jayaraman,Boualem Benatallah,Rajiv Ranjan
10+阅读 · 2018年5月10日
Jing Li,Pengjie Ren,Zhumin Chen,Zhaochun Ren,Jun Ma
5+阅读 · 2017年11月13日
Top