A Graph Transformer Model for Next Point-of-Interest Recommendation 论文解析

最新推荐文章于 2024-10-14 22:55:57 发布
最新推荐文章于 2024-10-14 22:55:57 发布
阅读量597 收藏 9
点赞数 7
CC 4.0 BY-SA版权
分类专栏： 论文解析 机器学习算法 深度学习 文章标签： 推荐算法
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。
本文链接：https://blog.youkuaiyun.com/Matrix_cc/article/details/135816155

 

 

 

 

 

 

最低0.47元/天 解锁文章

200万优质内容无限畅学
Graph Neural Networks: A Review of Methods and Applications（图神经网络：方法与应用综述）
weixin_41697507的博客
07-06 5749
Graph Neural Networks: A Review of Methods and Applications Jie Zhou , Ganqu Cui , Zhengyan Zhang , Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun Abstract—Lots of learning tasks req...
【CIKM 2021】推荐系统相关论文分类
发现问题，并解决问题，批判性思维
01-12 2308
第30届国际信息与知识管理大会（The 30th ACM International Conference on Information and Knowledge Management, CIKM 2021）计划于2021年11月1日-11月5日在线召开。ACM CIKM是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域最重要的学术会议之一。这次会议共收到1251篇长文（Full paper）、290篇应用文（Applied paper）和626篇短文（Short paper）投稿，有271篇长文、
SIGformer: Sign-aware Graph Transformer for Recommendation---论文学习笔记
m0_73961262的博客
09-24 1072
在推荐系统中，大多数基于图的方法主要关注用户的正面反馈，而忽视了负面反馈的价值。而将正负反馈结合起来形成符号图可以更全面地理解用户偏好。然而，现有的尝试整合这俩种类型反馈的方法很少，并且面临两个主要局限性1）它们分别处理正负反馈，无法全面利用符号图中的协作信息；2）它们依赖多层感知机（MLPs）或图神经网络（GNNs）从负面反馈中提取信息，这可能不是最有效的方式。为了解决这些局限性，实验者引入了SIGformer，这是一种新的方法，它采用transformer 架构来进行符号感知的图推荐。
图Transformer 推荐系统
始于足下
06-10 1395
这篇论文提出了一种新颖的推荐系统表示学习方法，该方法通过整合生成式自监督学习（SSL）和图变换器架构来实现。我们强调了使用相关自监督预训练任务进行高质量数据增强对于提升性能的重要性。为此，我们提出了一种新方法，它通过一种理由感知的生成式SSL自动化自监督增强过程，该方法能够提取信息丰富的用户-项目交互模式。我们提出的推荐系统Graph TransFormer（GFormer）提供了参数化的协作理由发现，以进行选择性增强，同时保持全局用户-项目关系。
论文《Pre-training Graph Transformer with Multimodal Side Information for Recommendation》阅读
wzj1212123的博客
11-03 593
该文章仍然是通过多模态来对下游模型的物品嵌入做一个预处理，模型中包含很多元素，也挖掘了更多的多模态信息。可以看出有一定工作量，而且方法也可以适用于大多数模型。
论文阅读（2）：针对多行为推荐的分级图transformer网络
weixin_43893732的博客
12-11 791
论文题目：Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation 论文地址：https://ojs.aaai.org/index.php/AAAI/article/view/16576 论文来源：2021 AAAI 论文源码：https://github.com/akaxlh/KHGT 1.前言 该论文提出了一种分级图transformer方法做多行为推荐。研究动机：现有
【图-注意力笔记，篇章2】Graphormer 和 GraphFormers论文笔记之两篇经典Graph Transformer来入门
xiaobaizaza_Ry的博客
03-02 9890
Graphormer和GraphFormer论文的相关介绍及笔记
2020年推荐系统工程师炼丹手册
炼丹笔记
11-01 1144
作者：一元 来源：炼丹笔记 炼丹要练好，须有好丹方，何处寻好的丹方，答曰：顶会！ 本文不扯蛋，就扯扯这2020年顶会必看的推荐系统的论文 & 其摘要。如有兴趣炼丹提升自己开发推荐系统效果的，可以持续关注我们的公众号！我们会每周更新一到多篇顶会Paper的阅读 & 评论 或者 福利 Code复现，助我们的炼丹师练出顶级“丹药”。 本人乃初级炼丹师，难免会有纰漏，还请各位大佬莫要见笑，如有什么错误，还请多多指点，奋斗鸭。 本文我们汇总了25篇AAAI2020与推荐系统相关的...
CIKM2021推荐系统论文集锦
张小磊的博客
10-20 1639
嘿，记得给“机器学习与推荐算法”添加星标第30届信息和知识管理国际会议（CIKM）将于2021年11月1日-5日在线上和线下的澳大利亚昆士兰黄金海岸同时举行。CIKM会议是数据库／数据挖掘...
经典图推荐系统论文Self-supervised Graph Learning for Recommendation算法及代码简介
Blueghost19的博客
03-24 1664
经典图推荐系统论文Self-supervised Graph Learning for Recommendation算法及代码简介
一文带你浏览Graph Transformers
Kaiyuan_sjtu的博客
07-16 564
©作者|Dream单位|浙江大学研究方向|图表示学习写在前头为什么图上要使用 Transformer？简要提一下 GT 带来的好处：1. 能捕获长距离依赖2. 减轻出现过平滑，过挤压现象3. GT 中甚至可以结合进 GNN 以及频域信息（Laplacian PE），模型会有更强的表现力。4. 利用好 [CLS] token，不需要额外使用 pooling ...
十篇文章速览多模态推荐系统的最新进展
Kaiyuan_sjtu的博客
12-21 2834
© 作者｜陈昱硕机构｜中国人民大学高瓴人工智能学院导师｜赵鑫研究方向 | 推荐系统为了缓解推荐系统中存在的数据稀疏以及冷启动等问题，部分研究者尝试将多模态信息引入推荐系统中，...
SIGIR2023推荐系统论文集锦
abcdefg90876的博客
06-12 5246
第46届SIGIR2023会议（ACM国际信息检索大会），将于2023年7月23日-7月27日在中国台湾台北召开。SIGIR是中国计算机学会CCF推荐的A类国际学术会议，也是人工智能领域智能信息检索方向最权威的国际会议。这次会议共收到822篇长文投稿，仅有165篇长文被录用，长文录用率约20.1%。另外，共收到短文613篇，仅154篇录用，短文接收率为25.12%。最近，SIGIR官网公布了论文接...
SIGformer: Sign-aware Graph Transformer for Recommendation
Zjkorigin的博客
10-14 944
在推荐系统中，大多数基于图的方法只关注用户的正面反馈，而忽略了有价值的负面反馈。将正反馈和负反馈结合起来形成一个带符号的图，可以更全面地理解用户的偏好。然而，现有的两类反馈融合算法存在两个主要局限性：1）它们分别处理正反馈和负反馈，无法从整体上利用签名图中的协作信息;2）它们依赖于MLP或GNN从负反馈中提取信息，可能效果不佳.为了克服这些局限性，我们引入了SIGformer，一种新的基于符号感知的图推荐方法。
KDD2023 | Adaptive Graph Contrastive Learning for Recommendation | 用于推荐的自适应图对比学习
有学上就行.jpg
12-26 1717
本文中，作者提出了一种新颖的方法，通过自适应的视图生成器以提升自监督推荐系统的性能。作者引入了一种全新的推荐系统框架，AdaGCL，包含一个图生成模型和一个图去噪模型来构建对比视图，提供额外的自监督信号来更有效地建模用户-物品交互信息。该方法提升了模型的抗噪声能力，提升了基于图的推荐系统的整体性能。在多个数据集上的充分实验证明了模型出色的性能，超越了多个具有竞争力的基线模型，也证明了它与其他自监督推荐系统模型相比具有的优势。
Pytorch训练模型得到输出后计算F1-Score 和AUC
热门推荐
Matrix_cc的博客
04-24 1万+
1、计算F1-Score 对于二分类来说，假设batch size 大小为64的话，那么模型一个batch的输出应该是torch.size([64,2])，所以首先做的是得到这个二维矩阵的每一行的最大索引值，然后添加到一个列表中，同时把标签也添加到一个列表中，最后使用sklearn中计算F1的工具包进行计算，代码如下 import numpy as np import sklearn.metrics import f1_score prob_all = [] lable_all = [] for i,
常见的相似度度量方法总结及Python实现
Matrix_cc的博客
04-05 5341
目录 1.欧氏距离(Euclidean Distance) 2.曼哈顿距离(Manhattan Distance) 3.切比雪夫距离( Chebyshev Distance ) 4.标准化欧氏距离(Standardized Euclidean distance ) 5.马氏距离(Mahalanobis Distance) 6.夹角余弦(Cosine) 7.皮尔逊相关系...
XGBoost最通俗版的公式推导与原理解释，超详细！！
Matrix_cc的博客
03-10 5167
最近在准备秋招，看到面经里很多会问到XGBoost的东西，于是整理了一下它的公式推导以及XGBoost和GBDT的对比
HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation的doi
最新发布
02-27
对于论文 'HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation' 的DOI查询，当前提供的参考资料并未直接提及该特定论文的信息[^1][^2][^3]。 通常情况下，为了找到一篇学术论文的DOI，可以采取如下几种方法： - **数据库搜索**：访问知名的学术资源网站如Google Scholar, IEEE Xplore, ACM Digital Library 或者 SpringerLink，在这些平台上通过文章标题进行精确匹配搜索。 - **作者主页或机构库**：一些研究者的个人网页会列出他们发表过的所有作品，并附带下载链接或是DOI；另外大学或实验室也可能维护自己的出版物档案馆。 - **期刊/会议官网**：如果知道这篇论文是在哪个期刊上发布的或者是哪次会议上的成果，则可以直接前往相应的官方网站去查找具体的卷期号以及对应的DOI编号。 由于这里无法提供确切的DOI信息，建议按照上述途径自行检索获取最准确的结果。 ```python # 示例代码用于展示如何利用Python脚本自动抓取DOI（仅为示意） import requests def find_paper_doi(title): url = f"https://api.crossref.org/works?query.bibliographic={title}" response = requests.get(url).json() try: doi = response['message']['items'][0]['DOI'] return doi except (KeyError, IndexError): return None paper_title = "HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation" doi_result = find_paper_doi(paper_title) if doi_result is not None: print(f"The DOI of '{paper_title}' is {doi_result}.") else: print("Could not find the DOI.") ```
评论
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