Zjkorigin的博客

意图感知会话推荐（Intent-aware Session Recommendation, ISR）在识别会话中的用户意图并进行精准预测方面起着至关重要的作用。然而，传统方法由于假设所有会话具有相同数量的意图而面临局限性。这种假设忽视了用户会话的动态特性，即意图的数量和类型可能显著变化。此外，这些方法通常在潜在空间中操作，因此限制了模型的透明性。为了解决这些挑战，我们引入了一种新颖的ISR方法，利用大型语言模型（Large Language Models, LLMs）的高级推理能力。

自监督学习方法（包括基于异构图神经网络（HGNNs）的对比学习）在学习异构信息网络（HINs）表示方面取得了巨大成功。然而，现有的自监督方法通常忽视了HIN背后潜在因素的交织性，这降低了下游任务的性能。为此，本文提出了一种多层次解耦异构图对比学习方法，旨在以自监督方式学习解耦的HIN节点表示。具体而言，我们首先设计了一种定制的编码器，用于捕捉输入HIN中节点的潜在因素和语义，并学习它们的分解表示。随后，我们提出了一种新颖的对比学习判别目标，专为解耦的HIN节点表示学习设计。

多意图预测：通常，用户行为数据可以通过图G = (V, E)来表示，其中节点集V = U ∪ I ∪ C包括所有的用户、物品和与物品相关的概念，边集E = O+ ∪ P+表示观察到的用户行为和物品隶属关系。具体来说，U = {u1, u2, · · · , uN}是N个用户的集合，I = {i1, i2, · · · , iM}是M个物品的集合，C = {c1, c2, · · · , cR}是与物品相关的R个概念的集合，这些概念表示物品的特征，如类别、类型、流行度等。

异构信息网络因其能够建模用户-物品交互中的丰富上下文信息，已被广泛应用于缓解推荐系统中的稀疏性和冷启动问题。图神经网络通过图上的传播能够编码这些丰富的上下文信息。然而，现有的异构图神经网络忽视了来自不同方面的潜在因素的纠缠。此外，现有方法中的元路径被简化为连接路径或节点对之间的边信息，忽视了路径中的丰富语义信息。本文提出了一种新型的解耦异构图注意力网络 DisenHAN，用于 top-𝑁 推荐，它可以从异构信息网络中学习来自不同方面的解耦用户/物品表示。特别地，我们使用元关系来分解节点对之间的高阶连接性，

最近的研究表明，图神经网络（GNN）普遍用于为协作过滤（CF）建模高阶关系。在这条研究路线上，图对比学习（GCL）通过学习增强的用户和项目表示，在解决监督标签短缺问题方面表现出了强大的性能。虽然它们中的许多显示了它们的有效性，但两个关键问题仍然未被探索：i）大多数现有的基于GCL的CF模型仍然受到忽略用户-项目交互行为通常由不同的潜在意图因素（例如，ii）他们引入的非自适应增强技术容易受到噪声信息的影响，这引起了对模型鲁棒性和引入误导性自我监督信号的风险的担忧。

推荐系统通常依赖观察到的用户交互数据来构建个性化推荐模型，并假设这些观察数据能够反映用户的兴趣。然而，用户与某一物品的交互也可能是由于从众心理，即跟随热门物品的需求所导致的。大多数现有研究忽略了用户的从众心理，并将其与兴趣混为一谈，这可能导致推荐系统无法提供令人满意的结果。因此，从因果关系的视角来看，解耦这些交互原因是一个关键问题。这对于解决训练数据和测试数据分布不一致（OOD）的问题也有所帮助。

霍克斯过程的特性自激励：每个事件的发生都会增加未来事件的发生概率。互激励：在一个多维霍克斯过程中，一个维度的事件可以增加其他维度事件的发生概率。时变强度：事件的发生强度随时间变化，并且受到过去事件历史的影响。

从交互数据中学习用户和物品的信息表示对于协同过滤（CF）至关重要。现有的嵌入函数利用用户-物品关系来丰富表示，从单一的用户-物品实例发展到整体交互图。然而，这些方法大多以统一的方式对用户-物品关系进行建模，而忽略了用户采用物品的意图多样性，这些意图可能是为了消磨时间、出于兴趣，或是为家人等他人购物。这种对用户兴趣的统一建模方法容易导致表示不佳，无法有效建模多样化的关系并在表示中区分用户意图。在本文中，我们特别关注用户-物品关系在用户意图这一更细粒度层面上的表现。

在推荐和协同过滤领域，图对比学习（Graph Contrasive Learning，GCL）已经成为一种有影响的方法。然而，对比学习有效性的原因还没有得到很好的理解。本文对的方法提出了质疑，因为这些方法可能会破坏图神经网络的结构和语义信息.此外，固定速率的数据增强被证明与具有自适应速率的增强相比效率较低。在初始训练阶段，较大的扰动更适合，而随着训练接近收敛，较温和的扰动产生较好的结果。我们引入了一个，证明了传统增强技术的冗余性。

（1）自适应知识精炼，其使用参数化的二进制掩码来学习以无偏梯度估计器去除不相关的事实，同时设计了组合知识聚合器以有效地集成不同种类的知识关联用于上下文传播（2）对比去噪学习，其关注协作信号和知识信号的差异以对比方式识别噪声交互，并且迭代地执行关系感知图自增强以增强用户表示。

CL被纳入推荐系统，主要是为了解决标签稀疏性的挑战，使用自监督信号。

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。

图神经网络（GNNs）最近作为推荐系统中的有效协同过滤（CF）方法受到关注。基于GNN的推荐系统的关键思想是通过用户-项目交互边沿进行递归消息传递，以优化编码嵌入，依赖于充足且高质量的训练数据。然而，实际推荐场景中的用户行为数据通常是噪声较大且分布偏斜的。为了解决这些问题，一些推荐方法（如SGL）利用自监督学习来改善用户表示。这些方法通过创建对比视图进行自监督学习，但它们依赖于繁琐的试错选择增强方法。

Transformers (Vaswani et al., 2017)，已被证明在自然语言理解 (Vaswani et al., 2017)、计算机视觉 (Dosovitskiy et al., 2020) 和生物序列建模 (Rives et al., 2020) 方面取得了成功。2021），提供了解决这些问题的潜力。Transformer 架构不仅仅在消息传递机制中聚合本地邻域信息，而是能够通过单个自注意力层捕获任何节点对之间的交互信息。

图神经网络 (GNN) 通过对用户-项目交互图进行建模，已成为协作过滤 (CF) 的有前途的解决方案。现有基于 GNN 的推荐系统的核心涉及沿着用户-项目交互边缘传递递归消息以细化编码嵌入。尽管它们已被证明是有效的，但当前基于 GNN 的方法遇到了有限感受野和存在噪声“兴趣无关”连接的挑战。相比之下，基于 Transformer 的方法在自适应和全局地聚合信息方面表现出色。然而，它们在大规模交互图上的应用受到固有的复杂性和捕获复杂、纠缠结构信息的挑战的阻碍。

推荐系统旨在为用户提供相关的建议，但往往缺乏可解释性，并且无法捕捉用户行为和简档之间的更高级别的语义关系。为此，本文提出了一种利用大型语言模型构造个性化推理图的方法。这些图表通过因果和逻辑推理将用户的属性和行为序列链接起来，以可解释的方式表示用户的兴趣。本文提出的LLM推理图（LLMRG）由链式图推理、发散扩展、自验证与评分、知识库自改进四个部分组成。使用图神经网络对所得到的推理图进行编码，该图神经网络用作改进传统推荐器系统的附加输入，而不需要额外的用户或项目信息。

基于图卷积网络（GCN）的抽象推荐模型综合了用户-项目交互图的节点信息和拓扑结构，具有良好的性能.然而，这些基于GCN的推荐模型不仅在堆叠太多层时会出现过平滑，而且在用户-项目交互中会存在噪声，从而导致性能退化。本文首先指出了现有的基于GCN的推荐模型中存在的过度平滑和解崩溃的问题。具体而言，这些模型通常会聚合所有层的嵌入以进行节点更新，并由于过度平滑而在几个层内实现最佳推荐性能。

用户物品交互图：用户和物品有交互则存在边，反之不存在边知识图谱：物品和属性问题：通过交互图和知识图谱，学习一个函数，来预测用户将会交互的物品。

1.用户：U， 物品：I2.每个用户𝑢 ∈ U的目标领域行为序列为X = {𝑥1, 𝑥2, . . . , 𝑥𝐿 }（按交互时间排序）3.该序列由目标领域物品集合中的𝐿个物品组成。如果序列长度小于𝐿，则会在序列开始处反复添加填充物品。4.X𝑡 = {𝑥1, 𝑥2, . . . , 𝑥𝑡 }，1 ⩽ 𝑡 ⩽ 𝐿，表示针对序列X在时间步𝑡的截断行为序列。同样地，我们用Y𝑡′= {𝑦1, 𝑦2, . . . , 𝑦𝑡′ }表示源领域的截断物品序列。

推荐系统（RecSys）领域已被广泛研究，以通过利用用户的历史交互来提高准确性。尽管如此，这种对准确性的持续追求常常导致多样性的减少，最终导致众所周知的“回音室”现象。的RecSys作为一种对策应运而生，将并列，引起了学术界和行业从业者的高度关注。这项研究探索了知识图 (KG) 复杂背景下的多样化 RecSys。这些知识图谱充当有关实体和项目的互连信息的存储库，通过结合有洞察力的上下文信息，提供了一个扩大推荐多样性的有利途径。

最近的知识图（KG）归纳推理方法将链接预测问题转化为图分类任务。他们首先根据目标实体的 k 跳邻域提取每个目标链接周围的子图，使用图神经网络 (GNN) 对子图进行编码，然后学习将子图结构模式映射到链接存在的函数。尽管这些方法取得了巨大的成功，但增加 k 通常会导致邻域呈指数扩张，从而因过度平滑而降低 GNN 的表达能力。在本文中，我们将过程，旨在基于个性化 PageRank (PPR) 方法对目标链接周围紧密相关的子图进行采样。

行程推荐是一项智能服务，为游客在陌生的城市提供个性化的行程规划。它旨在构建一系列有序的 POI，在时间和空间限制下最大化用户的旅行体验。将候选 POI 添加到推荐行程时，根据实时上下文捕获用户的动态偏好至关重要。同时，个性化出行中POI的多样性和流行度对用户的选择起着重要作用。为了应对这些挑战，在本文中，我们提出了 **MORL-Trip（旅行推荐多目标强化学习的缩写）**方法。，并在 Actor-Critic 框架上实现。

在推荐系统的背景下，解决多行为用户交互对于理解不断变化的用户行为至关重要。最近的模型利用图神经网络和注意力机制等技术来建模不同的行为，但捕获历史交互中的顺序模式仍然具有挑战性。为了解决这个问题，我们引入了多行为推荐的分层屏蔽注意力（HMAR）。具体来说，我们的方法将屏蔽自注意力应用于相同行为的项目，然后对所有行为进行自注意力。此外，我们提出历史行为指标来对输入序列中每个项目的行为的历史频率进行编码。此外，HMAR 模型在多任务设置中运行，使其能够同时学习项目行为及其相关的排名分数。

社交推荐利用社交关系构建推荐系统（RS），在缓解信息过载方面发挥着重要作用。最近，图神经网络（GNN）由于其强大的图数据容量而受到越来越多的关注。由于RS中的数据本质上是图的结构，因此基于GNN的RS正在蓬勃发展。然而现有作品缺乏对社会推荐的深入思考。这些方法包含隐含的假设，在实践中没有得到很好的分析。为了解决这些问题，我们对广泛使用的社交推荐数据集进行统计分析。我们设计了评估社交信息的指标，这可以为我们是否以及如何在 RS 任务中使用这些信息提供指导。

论文1：Knowledge-Enhanced Recommendation with User-Centric Subgraph Network论文1博客：https://blog.youkuaiyun.com/Zjkorigin/article/details/137119122?论文2：LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS。

为了推断知识图 (KG) 上的新事实，链接预测器从图结构中学习并收集本地证据以找到给定查询的答案。然而，由于利用整个知识图谱进行预测，现有方法面临严重的可扩展性问题，这阻碍了它们在大规模知识图谱上的应用，并且无法通过普通采样方法直接解决。在这项工作中，我们提出了一次性子图链接预测来实现高效和自适应的预测。设计原则是，预测过程不是直接作用于整个知识图谱，而是解耦为两个步骤，即（i）根据查询仅提取一个子图，以及（ii）对这个单一的、依赖于查询的子图进行预测。我们发现，非参数和计算高效的启发式。

推荐系统，目前在各种平台上广泛应用，根据用户的喜好向用户推荐相关项目。依赖于用户-项目交互矩阵的经典方法有局限性，特别是在缺乏新项目交互数据的情况下。基于知识图（KG）的推荐系统已成为一种有前途的解决方案。然而，大多数基于知识图谱的方法采用节点嵌入，不能为不同用户提供个性化推荐，也不能很好地推广到新项目。为了解决这些限制，我们提出了知识增强的以用户为中心的子图网络（KUCNet），这是一种使用图神经网络（GNN）进行有效推荐的子图学习方法。KUCNet 为每个用户-项目对构建一个 U-I 子图。

融合多模态在知识图谱上里用强化学习进行可解释性推理