.png){kind=icon}
返回
Graph-Based Diffusion Model for Service Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/TSC.2025.3646723.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着云服务及面向服务的计算技术的广泛应用，高效的服务推荐已成为优化大规模生态系统中的服务发现与组合的关键。尽管近期基于扩散的服务推荐方法在面向服务的场景中取得了显著成果，但现有方法主要将用户-服务交互视为孤立事件，忽略了用户与服务之间高阶协作信号的可能性。此类信号蕴含更丰富、更细致的关系，可通过图数据结构自然捕捉。为解决此局限，我们将基于扩散的服务推荐方法扩展至图域，通过直接对用户-服务二分图进行建模。这有助于更好地表征复杂交互动力学中固有的高阶连通性。然而，该扩展引入两大挑战：（1）噪声异质性，即交互受各种连续和离散噪声影响；（2）关系爆炸，指处理大规模图的高计算成本。为应对这些挑战，我们提出图扩散服务推荐模型（GDMSR）。为应对噪声异质性，我们引入多级噪声污染机制，整合连续与离散噪声，有效模拟真实交互复杂性。为缓解关系爆炸，我们设计用户主动引导的扩散过程，有选择地聚焦高价值边和活跃用户，在降低推理成本的同时保留关键服务级依赖。在六个真实服务数据集上的广泛实验表明，GDMSR持续优于现有最优方法，凸显其在捕捉高阶协作信号及提升服务推荐性能方面的有效性。
Keyword:
Generative service recommendation
diffusion model
graph neural networks
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
.png){kind=icon}
Graph Signal Diffusion Model for Collaborative FilteringZhu, Y., Wang, C., Zhang, Q., & Xiong, H. (2024a). 图信号扩散模型用于协同过滤。在 Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 1380–1390) 的论文集。
PREAI
分享收藏
查看更多内容