鑽石舞台

本周精選了10篇推薦系統領域的最新研究論文，來自中科院、北京大學、台灣國立大學等，主要包括雙偏好分布學習的物品推薦方法、探索時間感知多模式的組地點推薦、知識驅動的新藥物推薦等。

為了更方便地閱讀，只整理了論文標題、作者介紹、AI綜述等，如果感興趣可點擊進入小程序詳情頁查看論文，PC端數據同步，每日新論文也可登錄小程序查看。

AMiner訂閱

1.Joint Multi-Grained Popularity-Aware Graph Convolution Collaborative Filtering for Recommendation了解詳情

作者介紹：K Liu, F Xue, X He, D Guo, R Hong

AI華同學綜述（大模型驅動)：圖變換網絡(GCN)在建議系統中廣泛應用。它們的有效性使得在圖中捕捉高階連接的能力。集成多個鄰接收集是GCN中最重要的操作。它隱藏地捕捉了受歡迎性特徵,因為鄰接節點的數量反映了節點的受歡迎程度。然而,現有的基於GCN的方法忽略了這個 universal問題:用戶對 item受歡迎性的敏感性不同,但GCN的鄰接聚類通過圖拉平面規範化來糾正這種敏感性,導致了不優雅的個人化。在本文中,我們提出了將多樣性特徵建模並與高階通用性相結合,以匹配用戶偏好差異。Specifically,我們開發了一種聯合的多樣性受歡迎感圖轉換成像的算法,簡稱為JMP-GCF。

2.Dual Preference Distribution Learning for Explainable Item Recommendation了解詳情

作者介紹：Yuwei Zhang, Haode Zhang, Li-Ming Zhan, Xiao-Ming Wu, Albert Lam

AI華同學綜述（大模型驅動)：我們提出了一種雙向偏好分布學習框架,該框架將用戶偏好和 item屬性捕捉到成對的概率分布。因此,可以將用戶的偏好追溯到其偏好到屬性,而屬性分布的成對矩陣可以學習他們的關係。我們提出了兩類偏好的分布學習算法,該算法通過捕捉用戶偏好的概率,將其偏好的成對概率捕捉出來。該算法的有效性證明了該方法的合理性和解釋性。

3.Zero-Shot Prompting for Implicit Intent Prediction and Recommendation with Commonsense Reasoning了解詳情

作者介紹：Hui-Chi Kuo,Yun-Nung Chen

AI華同學綜述（大模型驅動)：開放式視窗助手目前被設計用於執行用戶所說的任務或服務。因此,需要通過長而深入的交流來執行多個相關的域或任務。Instead,人類助手可以基於常識知識來推斷用戶的話,減少複雜的互動,並提高實用性。因此本文提出了一種多領域對話框架,該框架可以自動推斷潛在的隱性意圖,然後使用大型先驗化的語言模型來誘導合適的單個任務導向的 bots。該框浦被證明是有效的,能夠實現隱性intention,並建議相關的 bots。

4.Knowledge-Driven New Drug Recommendation了解詳情

作者介紹：Zhenbang Wu, Huaxiu Yao, Zhe Su, David M Liebovitz, Lucas M Glass, James Zou, Chelsea Finn, Jimeng Sun

AI華同學綜述（大模型驅動)：針對現有藥物建議解決方案,我們將新藥建議定義為一個幾秒鐘的學習問題。然而,直接應用現有的幾秒鐘學習算法面臨兩個挑戰:(1)疾病和藥物之間的複雜關係,以及(2)許多未經許可的患者,但尚未使用新藥。為了解決這些挑戰,我們提出了EDGE,該系統可以快速適應具有有限的處方數據的新的藥物建議。

5.DIGAT: Modeling News Recommendation with Dual-Graph Interaction了解詳情

作者介紹：Zhiming Mao, Jian Li, Hongru Wang, Xingshan Zeng, Kam-Fai Wong

AI華同學綜述（大模型驅動)：新聞建議(NR)對於在線新聞服務至關重要。現有的 NR方法通常採用新聞用戶表示學習框架,面臨兩個潛在限制。首先,在新聞編碼器中,單個候選新聞編程會遭受缺乏語義信息問題。其次,現有的圖形方法非常有希望,但缺乏有效的新聞用戶特徵互動,使基於圖形的建議不優。為了克服這些限制,我們提出了一種雙圖觀察網絡(DIGAT)。它由新聞和用戶圖的通道組成。在新聞圖通道中,我們將新聞信息與一個語義增強的圖集(SAG)相結合。

6.Kernel-based Substructure Exploration for Next POI Recommendation了解詳情

作者介紹：Wei Ju, Yifang Qin, Ziyue Qiao, Xiao Luo, Yifan Wang, Yanjie Fu, Ming Zhang

AI華同學綜述（大模型驅動)：KBGNN是一種基於核的圖神經網絡,它結合了地理和順序影響。它由一個地理模塊和一個順序模塊組成。我們構建了一個地理圖,並利用神經網絡從兩個不同的圖中提取圖的頂部地理影響。最後,我們提出了一種一致的學習框架,該框架將兩個模塊有效地結合起來,互相提高性能。我們證明了該方法比最先進的基線系統具有更好的性能。

7.Scientific and Technological News Recommendation Based on Knowledge Graph with User Perception了解詳情

作者介紹：Yuyao Zeng, Junping Du, Zhe Xue, Ang Li

AI華同學綜述（大模型驅動)：KGUPN是一種基於知識圖的用戶感知信仰支持方法。在本文中,使用用戶的觀察來獲取源信息。我們提出了KGUZN,以解決現有基於鏈接和路徑的知識圖信仰建議方法的限制,一個最終的框架,該框架將知識圖和用戶意識整合到科學和技術新聞建議系統。

8.Equal Experience in Recommender Systems了解詳情

作者介紹：Jaewoong Cho, Moonseok Choi, Changho Suh

AI華同學綜述（大模型驅動)：我們探討了建議者系統中存在不公平的情況。由於特定群體的特質(如男性對數學的平均評分高於女性),可能會導致某些用戶建議的建議範圍有限。我們提出了一種優化框架,該框架將公平性概念納入規則化定義,並引入計算效率的算法來解決優化。在合成和評估的實證數據集上進行的實驗表明,該提議的框架確實可以有效地減輕這種不公正。

9.From Counter-intuitive Observations to a Fresh Look at Recommender System了解詳情

作者介紹：Aixin Sun

AI華同學綜述（大模型驅動)：最近,一些論文報告了從推薦系統(RecSys)的實證結果。一種觀察是,用戶花更多的時間和跟蹤建議系統的人會收到更糟糕的建議。另一項發現是,僅使用大量數據進行訓練的模型表明了顯著的性能改進。在本文中,我們從兩個方面解釋了這些預測。首先,我們分析了當用戶與建議系統相關的實體之間的全球 timeline時,做出的觀察。其次,我們認為這些預測都違反了建議者對建議的期望:比用戶多 interactions,比建議者更了解用戶偏好。

10.FusionDeepMF: A Dual Embedding based Deep Fusion Model for Recommendation了解詳情

作者介紹：Supriyo Mandal, Abyayananda Maiti

AI華同學綜述（大模型驅動)：傳統的協同過濾(CF)方法被應用於理解用戶/顧客對從評分矩陣中提取的商品或產品感興趣的個人偏好。通常,度量矩陣是分散的。因此,有一些改進的CF方法,該方法將增加大量的側信息用於處理稀疏問題。只有線性或只有非線性節點在大多數提供建議相關的工作中用於理解用戶感興趣的實體特徵嵌入。

如果想要獲取更多推薦系統的內容，歡迎使用AMiner訂閱推薦系統。

只需兩步即可完成訂閱推薦！

輸入「Recommmender System」，即可獲得與推薦系統相關的推薦內容，快去試試吧！

以上文章內容來源於機器學習與算法推薦