TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation论文阅读笔记

最新推荐文章于 2023-10-30 10:13:37 发布
原创 最新推荐文章于 2023-10-30 10:13:37 发布 · 794 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #深度学习 #机器学习 #人工智能 #推荐算法

论文提出了目标注意力图神经网络(TAGNN)模型，用于改善基于会话的推荐。TAGNN通过考虑目标项目，自适应地激活用户兴趣，解决了固定向量表示的局限性。它利用图神经网络捕获会话中的项目转换，提高了模型的表达能力。实验表明，TAGNN在精度和MRR指标上表现出优越性能，特别是在处理复杂用户行为模式和重复购买等场景。

论文标题：TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation

发表于：2020 SIGIR

作者：Feng Yu,Yanqiao Zhu, Qiang Liu

代码：https://github.com/CRIPAC-DIG/TAGNN

论文地址：https://arxiv.org/pdf/2005.02844.pdf

摘要

  • 现有方法将会话压缩为一个固定的表示向量，而不考虑要预测的目标项目。
    • 考虑到目标项目的多样性和用户的兴趣，固定向量会限制推荐模型的表示能力
  • 提出了一种新的目标注意力图神经网络 (TAGNN) 模型，用于基于会话的推荐。
    • 在 TAGNN 中，目标感知注意力自适应地激活不同用户对不同目标项目的兴趣。
    • 学习到的兴趣表示向量随着目标项目的不同而变化，极大地提高了模型的表达能力。
    • TAGNN 利用图神经网络来捕获会话中丰富的项目转换

结论

  • 开发了一种新的目标注意力图神经网络模型，用于基于会话的推荐。通过结合图建模和目标感知注意模块，所提出的 TAGNN 联合考虑给定特定目标项目的用户兴趣以及会话中的复杂项目转换。

介绍

  • 基于会话的推荐根据用户在当前会话中的先前行为来预测用户的下一个动作（例如，单击哪个项目）。
  • 以前的工作强调复杂的用户行为模式对于基于会话的推荐具有重要意义 [3, 5]。
    • 这些基于序列的方法仅对连续项目之间的顺序转换进行建模，而忽略了复杂的转换。
    • 以重复购买为例，这是网购场景中最
最低0.47元/天 解锁文章
TAGNN代码解读
NLP与推荐算法
11-01 2160
hi各位大佬好，上一篇博文看了下paper，也没啥子，自己写又写不出，哈哈 For Video Recommendation in Deep learning QQ Group 277356808 视频推荐深度学习加这个群 For Visual in deep learning QQ Group629530787 视觉深度学习加这个，别加错 I'm here waiting for you 别加那么多，没必要，另外，不接受这个网页的私聊/私信！！！ 刚开始就报错了，啊啊啊啊啊啊啊啊啊啊啊啊啊.
TAGNN论文解读——SRGNN的进阶版本
NLP与推荐算法
10-29 3400
hi各位大佬好，我是菜鸟小明哥（其实我也是大佬，哈哈，都是大佬）。 SRGNN已经初步完成实际应用，效果还好，有用的参考来这里。据说原paper大佬已经更新换代了GNN，也就是TAGNN，望文生义就是“他的GNN”，我啥时候发个“WOGNN”，也就是“我的GNN”，hehe。本文依旧粉丝可见，年底回馈粉丝福利。（不喜欢我翻译的就别看，看过了又瞎BB，你是闲的蛋疼吗？），代码在此，paper在此。 真正意义上的序列推荐，SRGNN算上一个，从序列到序列，无需考虑用户的id，当然要记住是哪个用户的点击序列，
SIGIR 2020 TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation
qq_44015059的博客
02-19 1721
前言 目前已经有很多方法通过将会话建模为序列或图来完成对会话的嵌入，进而对 next-item 进行预测。这些方法将会话压缩为一个固定的表示向量，而不考虑要预测的目标项。之前的大多数方法的出发点就是通过对会话进行嵌入，期望能够捕获到用户意图信息完成对未来可能产生交互物品的预测。 本文的作者认为由于目标物品的多样性和用户的兴趣，固定的向量会限制推荐模型的表示能力。因此在本文中提出了一种新的目标注意图神经网络( TAGNN )模型用于基于会话的推荐。在TAGNN中，目标感知注意自适应地激活了用户对不同目标物品的
recsys2015:竞赛RecSys Challange 2015的项目供用户购买基于YOOCHOOSE点击次数的预测并购买数据集
05-26
recsys2015 面向用户的RecSys Challange 2015竞赛项目通过YOOCHOOSE点击次数购买了预测并购买了数据集。
【文献阅读】 2018-SIGKDD-STAMP:Short-Term Attention/Memory Priority Model for Session-based Recommendation
热门推荐
乐川大佛的博客
10-07 1万+
说明 原文链接。 此处将Session-based Recommendation直译为会话推荐，有地方意译为短序列推荐。 此处将external memory译为外部记忆，直译话为外部存储器(外存)，short-term memory译为短期记忆，直译的话为短期存储器。 标题 题目：STMAP:基于会话推荐的短期注意/记忆优先模型 作者： Qiao Liu University of ...
论文《TAGNN：Target Attentive Graph Neural Networks for Session-based Recommendation》阅读
xingzhe123456789000的博客
12-30 1261
论文《TAGNN：Target Attentive Graph Neural Networks for Session-based Recommendation》阅读
论文《TAGNN: Target Atentive Graph Neural Networks for Session-based Recommendation》阅读
wzj1212123的博客
12-31 651
论文《TAGNN: Target Atentive Graph Neural Networks for Session-based Recommendation》阅读论文概况IntroductionMethodA.Constructing Session GraphsB.Learning Item Embeddings on Session GraphsC.Constructing Target-Aware EmbeddingD.Generating Session EmbeddingsE.Making R
论文阅读——《Global Context Enhanced Graph Neural Networks for Session-based Recommendation》
小白的学习路
01-29 2699
《Global Context Enhanced Graph Neural Networks for Session-based Recommendation》 基于会话推荐的全局上下文增强图神经网络 摘要:基于会话的推荐（SBR）是一项具有挑战性的任务，旨在基于匿名行为序列来推荐项目。几乎所有现有的SBR解决方案都仅基于当前会话来模拟用户的性能，而没有利用其他会话，这些会话可能包含与当前会话相关的项目转换和无关的项目转换。本文提出了一种称为“全局上下文增强图神经网络”（GCE-GNN）的新颖方法，该方
GNN:Session-based Recommendation with Graph Neural Networks简介
loserChen的博客
03-17 5396
Session-based Recommendation with Graph Neural Networks 摘要 作者提出SR-GNN,将session序列建模为图结构数据。在session图的基础上，GNN可以捕捉到items的复杂转换。每一个session利用注意力机制将整体偏好与当前偏好结合进行表示。 介绍 作者diss了 基于马尔可夫链的工作非常依赖数据独立性的假设的。 利用RNN的...
图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
KPer_Yang的博客
01-10 5434
图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
Recsys2015:RecSys2015中使用的代码
05-22
Recsys2015 RecSys2015中使用的代码 任务 给定某个用户在电子商务网站中的典型会话期间执行的一系列点击事件，目标是预测该用户是否要购买商品，如果他要购买，他将要购买的商品是什么要买。 因此，该任务可以分为两个子目标： 用户将在此会话中购买商品吗？ 是|否如果是，将要购买什么物品？ ＃＃数据 ###培训数据包含两个不同的文件： yoochoose-clicks.dat-单击事件。 文件中的每个记录/行都有以下字段： 会话ID –会话的ID。 在一个会话中，有一次或多次点击。 时间戳–发生点击的时间。 物品ID –物品的唯一标识符。 类别–项目的类别。 yoochoose-buys.dat-购买事件。 文件中的每个记录/行都有以下字段： 会话ID-会话的ID。 在一个会话中，有一个或多个购买事件。 时间戳记-购买发生的时间。 物料ID –物料的唯一标识符
Session-basedRecommendationwithGraphNeuralNetworks论文笔记
真的是个瘦子
05-05 4432
摘要 基于会话的推荐问题旨在预测基于匿名会话的用户行为.以前的算法不能保证获得准确的向量，在保证嵌入精度的基础上，考虑到项目的复杂转换，提出了一种新的嵌入方法，SR-GNN/该方法将会话序列建模为图结构数据。基于会话图，GNN可以捕获复杂的项目转换，这是传统顺序方法难以揭示的。然后，使用注意力网络将每个会话表示为全局偏好和该会话当前兴趣的组成。 传统方法的局限性 首先，由于在一个会话中没有足够的...
Handling Information Loss of Graph Neural Networks for Session-based Recommendation KDD2020
qq_39091546的博客
03-19 1064
摘要 近年来，图神经网络（GNN）由于其在各种应用中的令人信服的性能而日益受到欢迎。先前的许多研究还尝试将GNN应用于基于会话的推荐并获得了可喜的结果。但是，我们发现在这些基于GNN的基于会话的推荐方法中存在两个信息丢失问题，即有损会话编码问题和无效的远程依赖捕获问题。第一个问题是有损会话编码问题。由于从会话到图的有损编码以及消息传递期间的排列不变聚合，因此忽略了有关项目转换的一些顺序信息。第二个问题是无效的远程依赖捕获问题。由于层数有限，因此无法捕获会话中的某些远程依赖性。为了解决第一个问题，我们提出了一
《Improved Recurrent Neural Networks for Session-based Recommendations》 DLRS 2016 阅读笔记
不再的blog
09-27 443
《Improved Recurrent Neural Networks for Session-based Recommendations》 DLRS 2016 阅读笔记 摘要：本篇论文在上篇论文的基础上对该模型进行优化，主要体现在以下几点： 新的数据预处理方式，数据增强 数据分布改变（时效性） Generalised distillation item embedding代替全预测空间 1.基础模型 模型依旧简单，但是不同于之前的模型，它对embedding层加入了dropout参数来防止过拟合。
【序列推荐、图神经网络】SR-GNN：Session-based Recommendation with Graph Neural Networks
CRW__DREAM的博客
01-09 1882
本文提出SR-GNN模型，首先将用户序列行为分别构图，之后使用GNN方法得到图中每个item的向量表示，定义短期和长期兴趣向量得到用户兴趣向量：短期兴趣向量为用户序列中最后点击的item的向量；长期兴趣向量采用广义注意力机制将最后一个item与序列中所有item相结合。最后使用传统二分类方法进行推荐。
Session-Based Recommendation with Graph Neural Networks
zhangpanfeng1的博客
10-30 742
*背景：**基于会话的推荐问题旨在基于匿名会话预测用户的行为。**不足：**以前的方法将会话建模为序列，并估计除项表示外的用户表示以提出建议。虽然取得了令人满意的结果，但它们不足以获得准确的会话用户向量，并且忽略了项目的复杂转换。**提出的方法：**为了获得准确的项目嵌入，并考虑到项目的复杂迁移，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，简称SR-GNN。步骤：在该方法中，会话序列被建模为图结构数据。基于会话图，GNN可以捕捉到以往传统序列方法难以揭示的复杂项目迁移。然后。
SR-GNN:Session-based Recommendation with Graph Neural Networks 论文阅读笔记
Andre_Jan的博客
03-18 2684
包括SR-GNN：Session-based Recommendation with Graph Neural Networks论文的整体框架以及其算法的流程解读
11.Session-based Recommendation with Graph Neural Networks论文详解
zhaozhiwei314的博客
05-01 2624
一、前言 在某些序列推荐系统中，一个用户-项目交互序列包括多个子序列(也称为会话)。在这种情况下，除了当前子序列中先前的交互作用外，历史子序列还可能影响当前子序列中预测的下一个用户-项目交互作用。 基于会话的推荐问题旨在基于会话预测用户的行为，以前的相关方法将会话建模为序列，并通过对用户表示进行学习来完成推荐。这些方法虽然取得了令人满意的结果，但它们不足以在会话中获得准确的用户表示，并忽略了复杂的物品表示转换。为了获得准确的物品嵌入和考虑物品表示的复杂转换，本文提出了一种基于会话的GNN网络模型。在 SR-
基于图神经网络的电商购买预测
weixin_42254289的博客
06-19 4102
其中TopKPooling类似于下采样，是剪枝的过程，选择得分比较低的节点剪枝掉，然后再重新组合成一个新的图。
SIGIR2018 & WWW2018：知识图谱研究关键亮点
- 问答系统：通过知识感知的注意力神经网络来排序问题答案对，如SIGIR18的《Knowledge-aware Attentive Neural Network for Ranking Question Answer Pairs》，以及针对开放领域问答系统的无尽学习方法，如WWW18的...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值