.png){kind=icon}
返回
Frequency-enhanced heterogeneous graph-based sequential recommendation with disentangled methods
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02820-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
个性化推荐系统在帮助用户于信息过载中发现相关内容方面发挥着关键作用。然而，现有方法通常以粗粒度方式处理物品属性，并受困于纠缠的偏好表示，这限制了其区分真实用户兴趣与噪声的能力，并无法捕捉全局周期性模式。本文提出AdaDisen，一个增强的序列推荐框架，以解决现有方法中的关键局限性。通过构建一个融合多维上下文信息的细粒度类型感知异构图，我们首先使用具有独立关系通道的异构图注意力网络学习初始用户/物品表示。然后，我们通过整合全局频率偏好（利用快速傅里叶变换捕捉长期周期性并缓解噪声）、正交正则化动态兴趣偏好（建模时序行为模式）以及静态属性偏好（捕捉基于稳定特征的倾向）这三个不同视角来获取用户偏好。此外，引入了一个自适应多视角融合模块，用于自动学习个性化的重要性权重，以在预测过程中平衡这些组件。在Amazon-Books、Amazon-Beauty和MovieLens-1M数据集上的实验表明，AdaDisen在HR@10和NDCG@10指标上优于代表性基线方法。我们的模型通过更好地分离用户决策背后的互补偏好因素，减少了表示纠缠，增强了偏好建模的粒度，并提高了推荐准确性和可解释性。尽管采用了多视角设计，AdaDisen通过在统一框架内集成轻量级互补模块，仍保持序列推荐的计算实用性。
Keyword:
Sequential recommendation
Disentangled representation learning
Personalized recommendation
Graph neural networks
期刊
IF:
3.1
论文数:
564
被引数:
5.2K
机构
查看更多机构
引用论文
A Novel session-based recommendation system using capsule graph neural network.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Empnet: An extract-map-predict neural network architecture for cross-domain recommendationEmpnet：一种用于跨域推荐的提取-映射-预测神经网络架构
IF0
PREAI
分享收藏分享收藏Dual-view collaboration fusion on diffusion learning for bundle recommendation双视图协作融合扩散学习用于束推荐INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Adaptive user multi-level and multi-interest preferences for sequential recommendation自适应用户多级和多兴趣偏好用于序列推荐
PREAI
分享收藏 没有更多内容