.png){kind=icon}
返回
User-Item-Context Graph Convolutional Network for Recommendation Systems
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4963-4_3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
推荐系统基于多种方法为用户提供个性化内容建议。基于图卷积网络（GCN）的推荐系统是最新的，并取得了有前景的结果。然而，大多数现有的GCN方法仅关注内容或上下文特征，缺乏两者的整合。本研究提出了一种新的推荐方法，使用GCN模型学习和融合用户和物品的内容及上下文特征（称为用户-物品-上下文图卷积网络），旨在提升推荐质量。所提出的方法包括以下主要层：(i) 数据表示层，为每个实体创建初始特征向量；(ii) GCN层，从初始特征向量中学习每个实体的高级表示；(iii) 交互预测层，预测实体间的交互并为用户提供推荐。该方法在MovieLens 100k和MovieLens 1M数据集上进行了实验，使用了包括Precision、Recall、F1-score、AUC-ROC、MAE和RMSE在内的常见指标。
Keyword:
Recommendation System
Graph Convolutional Network (GCN)
User-Item-Context GCN
Hybrid Model
UserItem-Context Interaction
期刊
M
机构
引用论文
分享收藏Addressing the Cold-Start Problem in Recommender Systems Based on Frequent Patterns基于频繁模式的推荐系统冷启动问题解决方法.png)
Algorithms
OAAI
AlgorithmsIF0
OAAI分享收藏Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions走向下一代推荐系统: 对最新技术和可能扩展的调查
PREAI
分享收藏Presentation of a recommender system with ensemble learning and graph embedding: a case on MovieLens
OAAI
OAAI分享收藏
查看更多内容