基于图神经网络的会话推荐经典论文

原创 已于 2025-03-02 22:55:35 修改 · 1.1k 阅读 · 32 ·
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：

#会话推荐 #意图识别 #GNN

于 2025-03-02 22:53:52 首次发布

本文主要包括了以下 4 篇文章：

  1. 【SR-GNN | AAAI 2019】：Session-Based Recommendation with Graph Neural Networks：基于图神经网络的会话推荐
  2. 【GC-SAN | IJCAI 2019】：Graph Contextualized Self-Attention Network for Session-based Recommendation：基于图上下文自我注意力网络的会话推荐
  3. 【CA-TAN | ICDM 2020】：Cross-Session Aware Temporal Convolutional Network for Session-based Recommendation：基于跨会话感知时序卷积网络的会话推荐
  4. 【GCE-GNN | SIGIR 2020】：Global Context Enhanced Graph Neural Networks for Session-based Recommendation：基于全局上下文增强图神经网络的会话推荐

1 SR-GNN

这篇文章首先提出了将会话信息映射为图结构，并通过GNN来获得物品之间的转移信

最低0.47元/天 解锁文章
基于session推荐的论文阅读
shawroad的博客
09-04 1238
今天我们要看一下如下三篇论文: - SR-GNN: Session-Based Recommendation with Graph Neural Networks - TA-GNN: Target Attentive Graph Neural Networks for Session-based Recommendation - GC-SAN: Graph Contextualized Self-Attention Network for Session-based Recommendation
SRGNN 基于图神经网络的会话推荐 推荐系统经典文章阅读
主要分享推荐系统相关论文阅读，偶尔发点奇思妙想和好玩的
10-08 1890
基于会话的推荐问题旨在基于匿名会话预测用户行为。先前的方法将会话建模为一个序列，并估计除项目表示之外的用户表示以进行推荐。虽然取得了有希望的结果，但它们不足以在会话中获得准确的用户向量，并且忽略了项目的复杂转换。为了获得准确的项目嵌入并考虑项目的复杂转换，我们提出了一种新方法，即基于图神经网络的会话推荐，简称 SR-GNN。在所提出的方法中，会话序列被建模为图结构数据。基于会话图，GNN 可以捕获项目的复杂转换，而这些转换很难通过以前的传统顺序方法揭示。
GC-SAN，GLRS常见baseline
05-31 1578
文章目录Info1 Motivation2 Contribution3 Solution具体步骤3.1 构造 session graph3.2 生成 node embedding3.3 获取 global interests embedding3.4 获取 local interests embedding3.5 生成 session embedding3.6 预测4 Evaluation5 Summarization Info IJCAI 19 的文章，对 SR-GNN 做了一点改进，但是 margin
图神经网络在推荐系统的应用研究综述
SmartLab307的博客
03-08 2886
概要 如今推荐系统的研究非常火热，GNN也在很多领域表现优异。推荐系统主要的挑战是从历史交互(historical interactions)和边信息(side information)中学习有效的用户(user)和物品(item)表示，由于很多信息具有图结构，而且GNN擅长表示学习，所以很多工作将GNN应用到推荐系统中。 本文是北京大学相关团队发表的一篇「基于GNN的推荐系统」方向的综述，文章回顾了近几年GNN在推荐系统中的相关工作，提出了一个新的分类体系，并阐述了有关该领域未来发展的新观点。 ..
论文阅读《Graph Contextualized Self-Attention Network for Session-based Recommendation》
小白的学习路
07-12 4427
论文地址：https://www.ijcai.org/Proceedings/2019/0547.pdf Graph Contextualized Self-Attention Network for Session-based Recommendation 1.引言 在电子商务、音乐、社交媒体等许多应用领域，推荐系统在帮助用户缓解信息过载和选择感兴趣内容方面发挥着重要作用。现有的大部分推荐系统都是基于用户历史的互动。但是，在许多应用程序场景中，用户标识可能是未知的，并且在正在进行的会话中只有用户
[CIKM 2023] 基于会话推荐的双通道多稀疏图注意网络
sinat_38007523的博客
12-08 1560
摘要基于会话的推荐（SBR）最近受到了极大的关注，因为它能够提供个性化的建议的基础上的匿名会话用户的交互序列。SBR面临的挑战主要包括如何利用当前会话以外的信息，以及如何减少会话数据中无关信息对预测的负面影响。为了解决这些挑战，我们提出了一种新的基于图注意力网络的模型，称为多稀疏图注意力网络（MSGAT）。MSGAT利用两个并行通道对会话内和会话间信息进行建模。在会话内通道中，我们利用门控图神经网络执行初始编码，然后通过自注意机制生成目标表示。然后基于目标表示对全局表示进行降噪。
GCE-GNN 基于会话推荐的全局上下文增强图神经网络 推荐系统经典论文阅读
主要分享推荐系统相关论文阅读，偶尔发点奇思妙想和好玩的
10-17 1326
本文针对编码方式首先使用了全局图与会话图聚合进行embedding与学习，生成全局图的方式和全局图使用四种无向边代替一条或多条有向边，并学习其对应特征。在embedding部分使用了反向的嵌入以代表时间的先后顺序与兴趣的关系，并使用注意力机制过滤掉一部分噪声构成了GCEGNN，总的来说内容比较详实，从多个方面并且结合一定的先验知识对模型进行一定改进，embedding方式也比较有意思。
【论文阅读】图神经网络应用在推荐系统中的挑战、方法、方向
qq_45719936的博客
04-25 3471
文章目录文章信息推荐系统工作流程pipelineMatching 召回阶段Ranking 排序阶段Re-ranking 再排序阶段场景社交推荐序列推荐会话推荐捆绑推荐跨域推荐多行为推荐指标多样性可解释性公平性应用图神经网络GNN背景光谱模型空间模型图形构造GNN适用推荐系统的原因结构数据高阶连通性监督信号GNN用于推荐系统的挑战构造图节点层面边层面设计网络模型优化计算效率现有解决方法按推荐阶段分类按场景分类社交推荐序列推荐会话推荐SBR捆绑推荐跨域推荐多行为推荐未来发展 文章信息 文章标
推荐系统遇上深度学习(四十二)-使用图神经网络做基于会话的推荐
abcdefg90876的博客
05-09 2249
前两篇，我们介绍了如何使用循环神经网络来做基于会话的推荐，本篇我们更进一步，来看一下如何使用近期比较火热的图网络来做基于会话的推荐。 本文介绍的论文题目为：《Session-based Recommendation with Graph Neural Networks》 论文下载地址为：https://arxiv.org/abs/1811.00855 代码...
【综述笔记】Graph Neural Networks in Recommender Systems
weixin_45519842的博客
12-08 1790
原文链接：https://arxiv.org/pdf/2011.02260.pdfAbstract如今推荐系统的研究非常火热，GNN也在很多领域表现优异。推荐系统主要的挑战是从历史交互(...
GC详解---JVM（三）
大圣即大盗
12-30 356
文章目录如何判断对象可以被回收引用计数器可达性分析算法 如何判断对象可以被回收 引用计数器 可达性分析算法
一文了解推荐系统中的图神经网络
数据派THU
08-17 3021
来源：RUC AI Box 本文约4600字，建议阅读9分钟本文主要介绍推荐系统中的图神经网络，欢迎交流探讨！ [ 引言 ]近年来，GNN技术由于其在图数据学习方面的出色表现，在许多...
论文《Graph Contextualized Self-Attention Network for Session-based Recommendation》阅读
wzj1212123的博客
01-03 1758
论文《Graph Contextualized Self-Attention Network for Session-based Recommendation》阅读论文概况IntroductionMethodA.Graph ConstructionB.Node Vectors UpdatingC.Self-Attention LayerD.Prediction Layer总结 论文概况 本文是2019年IJCAI上的一篇论文，该篇文章聚焦于使用GNN和自注意力网络来解决绘画推荐问题，提出了GCSAN（Gra
Memory Augmented Graph Neural Networks for Sequential Recommendation AAAI 20翻译
qq_39091546的博客
03-22 1208
Abstract 用户项目交互的时间顺序可以揭示许多推荐系统中时间演变和顺序的用户行为。用户将与之交互的项目可能取决于过去访问的项目。然而，用户和项目的大量增加使得顺序推荐系统仍然面临着不小的挑战：（1）短期用户兴趣建模的难度； （2）难以计算长期用户兴趣； （3）项目共现模式的有效建模。为了解决这些挑战，我们提出了一种内存增强图神经网络（MA-GNN），以捕获长期和短期的用户兴趣。具体来说，我们应用图神经网络在短期内对项目上下文信息进行建模，并利用共享内存网络捕获项目之间的长期依赖关系。除了对用户兴趣进行
【论文】图神经网络（GNN）在推荐系统中的挑战、方法和方向
elephant_my的博客
10-27 5000
Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions1. 前言2. 背景 - 推荐系统的发展历程和挑战2.1.1 浅层模型2.1.2 神经网络模型2.1.3 图神经网络模型3. 推荐系统的分类3.1 根据推荐系统的不同阶段3.2 根据不同推荐场景3.2.1 社交推荐3.2.2 序列推荐3.2.3 会话推荐3.2.4 捆绑推荐3.2.5 跨域推荐3.2.6 多行为推荐3.3 根据不同的推荐目标3.3
Session-based Recommendation with Graph Neural Networks ----2019AAAI
qq_39091546的博客
12-28 1522
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。以前的方法将会话建模为序列，并估计除项表示之外的用户表示以提出建议。虽然取得了令人满意的结果，但它们不足以获得会话中准确的用户向量，也不足以忽略项目的复杂迁移。为了获得准确的项目嵌入，并考虑到项目的复杂过渡，我们提出了一种新的方法，即基于会话的图神经网络推荐(SR-GNN)，简称SR-GNN。在该方法中，会话序列被建模为图形化数据。在会话图的基础上，GNN能够捕捉到传统的顺序方法难以揭示的复杂的项目变迁。然后，使用注意力网络将每个会话表示为全局偏好和该
st-link v2使用方法_使用图神经网络做基于会话的推荐
weixin_39781363的博客
12-10 701
1、背景介绍现有基于会话的推荐，方法主要集中于循环神经网络和马尔可夫链，论文提出了现有方法的两个缺陷：1)当一个会话中用户的行为数量十分有限时，这些方法难以获取准确的用户行为表示。如当使用RNN模型时，用户行为的表示即最后一个单元的输出，作者认为只有这样并非十分准确。2)根据先前的工作发现，物品之间的转移模式在会话推荐中是十分重要的特征，但RNN和马尔可夫过程只对相邻的两个物品的单向转移关系进行建...
推荐系统 - SR GNN架构详解（包含图神经网络GNN和门控图神经网络GGNN的介绍）
热门推荐
马飞飞的博客
08-18 2万+
说明 1.SR-GNN是中科院提出的一种基于会话序列建模的推荐系统，这里所谓的会话是指用户的交互过程（每个会话表示一次用户行为和对应的服务，所以每个用户记录都会构建成一张图），这里说的会话序列应该是专门表示一个用户过往一段时间的交互序列。基于会话的推荐是现在比较常用的一种推荐方式，比较常用的会话推荐包括循环神经网络、马尔科夫链。但是这些常用的会话推荐方式有以下的两个缺点： ...
基于GEC6818平台的五子棋人机对战系统设计与实现
最新发布
11-25
五子棋作为一种广为人知的策略性棋盘游戏，其基本规则易于掌握。在选定人机对战模式后，由程序执黑先行，用户执白应对。双方依次在棋盘上落子，任何一方在横向、纵向或斜向形成连续五个或更多同色棋子即获胜。 项目资源涵盖多个技术领域的程序代码，涉及前后端开发、移动终端应用、操作系统、智能系统、物联网技术、信息管理系统、数据存储方案、硬件设计、大数据处理、教学资料、多媒体处理及网站构建等多个方向。具体技术实例包括嵌入式平台如STM32与ESP8266，编程语言如PHP、QT、C++、Java、Python、C#，系统开发如Linux与iOS，以及电子设计自动化工具和实时操作系统等。 主要技术栈包含服务端开发语言Java、Python及Node.js，后端框架Spring Boot与Django，前端技术React、Angular与Vue，界面设计框架Bootstrap与Material-UI，数据库系统MySQL、PostgreSQL和MongoDB，缓存工具Redis，以及容器化部署方案Docker与Kubernetes。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
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