.png){kind=icon}
返回
Accurate multi-behavior sequence-aware recommendation via graph convolution networks
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0314282.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如何利用多种类型的用户行为数据向用户推荐物品？多行为推荐系统利用各种类型的用户行为数据来增强目标行为的推荐性能。这些系统旨在提供个性化推荐，从而改善用户在电子商务平台、流媒体服务、新闻网站和内容平台等不同应用中的体验、参与度和满意度。尽管以往的多行为推荐方法已关注将行为顺序和依赖性纳入嵌入学习，但它们往往忽视了在模型训练过程中，个体行为在塑造用户偏好方面的微妙重要性。我们提出了MBA（基于图卷积网络的多行为序列感知推荐），这是一个准确的多行为推荐框架。MBA采用了一种新颖的方法，通过学习既能捕捉行为间依赖性又能反映其对用户偏好影响相对重要性的嵌入。此外，MBA在模型训练过程中采用复杂的采样策略，考虑了行为的序列特性，确保模型能从完整的用户行为序列中有效学习。通过对真实数据集的广泛实验，我们证明了MBA相比现有方法的优越性能。MBA超越了最佳竞争对手，在HR@10和nDCG@10指标上分别实现了最高达11.2%和11.4%的提升。这些发现强调了MBA在提供准确且符合个体用户偏好的个性化推荐方面的有效性。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
Aggregately Diversified Bundle Recommendation via Popularity Debiasing and Configuration-Aware Reranking通过流行度消偏和配置感知重排的聚合多样化捆绑推荐
.png){kind=icon}
PREAI
分享收藏Accurate Action Recommendation for Smart Home via Two-Level Encoders and Commonsense Knowledge通过两级编码器和常识知识实现智能家居的精准动作推荐OAAI
OAAI分享收藏Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation多样化正则化矩阵分解用于准确且聚合多样化的推荐OAAI
OAAI分享收藏分享收藏Matching User with Item Set: Collaborative Bundle Recommendation with Deep Attention Network基于项目集的用户匹配: 深度关注网络的协同Bundle推荐OAAI
OAAI分享收藏
查看更多内容