.png){kind=icon}
返回
Co-occurrence graph neural network for recommender systems
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-026-02609-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
推荐系统是提供个性化内容的重要工具。然而，在学习个性化偏好时，大多数现有推荐系统往往无法有效捕捉用户与项目之间的复杂关系，导致推荐结果不尽如人意。为解决此挑战，我们提出了一种新型神经网络——共现图神经网络（CoGNN），利用两种共现图建立用户与项目的关系。在CoGNN中，我们设计了两种方法以最大化学习用户-项目交互：共现图和自编码器用于用户行为偏好。首先，通过图构建共现关系，利用归一化点互信息（NPMI）矩阵缓解噪声。其次，采用自编码器学习用户行为嵌入，从用户与项目的历史交互中提取潜在信息。最后，在多个推荐任务数据集上的实验结果一致表明，CoGNN在推荐准确性和算法收敛性方面优于各种基线模型。我们的代码和数据集可在https://github.com/lyg2618/CoGNN公开获取。
Keyword:
Recommendation systems
Co-occurrence graph
Graph neural network
Transformer
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
Layer-wise contrastive learning BERT for sentence representation of GitHub基于层级对比学习的BERT模型用于GitHub句子的表示.png)
Neurocomputing
NeurocomputingIF6.5
PREAI
分享收藏Transformer Network for Remaining Useful Life Prediction of Lithium-Ion Batteries用于锂离子电池剩余寿命预测的变压器网络IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Deep Probabilistic Matrix Factorization Framework for Online Collaborative FilteringIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏AttMoE: Attention with Mixture of Experts for remaining useful life prediction of lithium-ion batteriesAttMoE: 关注锂离子电池剩余使用寿命预测的专家混合
PREAI
分享收藏
查看更多内容