.png){kind=icon}
返回
ConDiff: Conditional graph diffusion model for recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104303.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目前，大多数现有的图扩散模型并未显式整合用户协作信号和用户-物品（U-I）交互图在推荐系统中的关键特征，限制了其提升推荐性能的能力。为缓解此限制，我们提出了一个用于推荐的条件图扩散模型，命名为ConDiff。具体而言，我们在正向扩散过程中引入随机高斯噪声来扰动原始图结构。在反向生成过程中，我们设计了一个用于条件图生成的自编码器CGG-AE，该自编码器：（1）通过逻辑运算在线为每个用户引入个性化的协作信号；（2）利用用户协作信号和用户-物品交互信息作为扩散模型的条件输入，通过编码器在潜在空间中获得扩散-协作和扩散-交互数据，然后使用解码器重构并生成更高质量的原始用户-物品交互信息。在三个基准数据集上的大量实验表明，ConDiff优于当前最先进的模型。值得注意的是，在Anime数据集上，ConDiff将Recall@10和Recall@20分别提升了18.99%和17.94%，分别达到0.2607和0.3721。代码可在https://github.com/xl-wen/ConDiff获取。
Keyword:
Diffusion model
Recommendation
User collaborative
Autoencoder
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
暂无机构信息
引用论文
.png){kind=icon}
Incorporating Forgetting Curve and Memory Replay for Evolving Socially-aware Recommendation融合遗忘曲线与记忆重放机制的社会感知推荐演化
PREAI
分享收藏分享收藏
查看更多内容