推荐系统论文，推荐系统论文复现

推荐系统论文阅读(十)-基于图神经网络的序列推荐算法

〖One〗、从数据上来看，SR-GNN超过了经典的GRU4REC，这也说明了图信息的嵌入能带来更好的推荐效果。本论文很巧妙的将图信息嵌入的神经网络中，更高地让GRU学习到每个item之间的关系，不再局限于相邻的物品之间进行学习。近年来，图神经网络的思想和方法屡屡被用在推荐系统中，学好图神经网络应该是推荐系统的下一个热潮。

〖Two〗、SelfAttention机制：Transformer通过自注意力机制，能够捕捉序列中任意两个元素之间的关系，不受序列长度的限制，非常适合处理超长序列。BERT及其变体：BERT及其针对推荐系统的变体，如BERT4Rec等，利用Transformer的强大能力对超长用户行为序列进行建模，取得了显著效果。

〖Three〗、精选10篇推荐系统领域最新论文 基于频谱的图神经网络用于互补物品推荐 - 提出了一种名为基于频谱的互补图神经网络（SComGNN）的新方法，利用互补商品图的频谱特性捕捉互补关系，显著优于现有基线模型。

〖Four〗、应用领域： 计算机视觉：在图结构数据中提取视觉特征，进行图像识别和分析。 推荐系统：利用用户物品交互图进行精准推荐。 交通预测：分析交通网络数据，预测交通流量和拥堵情况。 化学研究：在分子图中预测化合物的性质和反应。

〖Five〗、年8月阅读论文后，我撰写了关于图神经网络（GNN）的概述，尽管研究方向有所转变，但本文仍提供了基础介绍。本文分为三个部分：GNN的定义、类别和应用。GNN的定义：在深度学习领域，传统方法的成功扩展到处理非欧氏空间数据的挑战促使了图神经网络的兴起。

〖Six〗、GNN的类型： Recurrent GNNs：处理序列图数据，适用于需要考虑时间顺序的图结构数据。 Convolutional GNNs：如Graph Convolutional Networks ，通过卷积操作捕捉局部模式，基于节点的连接性缩放节点表示。

推荐系统论文阅读(二十三)-神经图协同过滤NGCF

〖One〗、本论文通过将用户项交互（更具体地说是二分图结构）集成到embedding过程中，开发了一个新的推荐框架神经图协同过滤（NGCF），该框架通过在其上传播embedding来利用user-item图结构。这种方法在用户项目图中进行高阶连通性的表达建模，从而以显式方式将协作信号有效地注入到embedding过程中。

〖Two〗、然而，传统的协同过滤模型如矩阵分解（MF）和神经协同过滤（Neural Collaborative Filtering）在处理复杂用户-项目交互关系时存在局限性。本文介绍了一种新颖的推荐系统模型：Neural Graph Collaborative Filtering（NGCF），旨在通过图结构捕获高阶连通性，进一步提升推荐效果。

〖Three〗、CNN提取特征：利用卷积神经网络提取图片和视频特征。VBPR模型：使用CNN从图片中提取特征向量，映射到协同过滤的Embedding空间，与物品ID的Embedding拼接，通过内积计算推荐得分。社交网络中的推荐：DiffNet模型：通过融合用户特征和行为偏好，利用社交网络的扩散机制演化用户表示。

〖Four〗、基于CNN的图片特征提取：用于多媒体推荐系统，如VBPR和CDL，展示如何在视觉特征与协同过滤之间建立联系。DICM模型：将图片特征用于用户特征建模，优化图片特征的存储与传输效率，以适应大规模推荐系统的需求。

〖Five〗、GNN在协同过滤领域展现出优秀性能，然而基于GNN的推荐系统中负采样技术并未得到广泛研究。因此，本论文通过探索用户-物品图结构与GNN聚合过程，提出了一种改进负采样方法——MixGCF。基于GNN的推荐：基于GNN的推荐过程涉及三部分：用户集合、项目集合、用户与项目交互。

推荐系统经典论文

〖One〗、实验部分利用三部分数据集验证模型效果，结果表明DIN模型在CTR预测任务上表现优异。借鉴文献为Zhou等人在2017年发表的《Deep Interest Network for Click-Through Rate Prediction》。

〖Two〗、论文题目：《Session-based Recommendation with Graph Neural Networks》SR-GNN github： https：//github.com/CRIPAC-DIG/SR-GNN 基于会话的推荐一般是将序列会话建模，将整个session进行编码，变成一个隐向量，然后利用这个隐向量进行下一个点击预测。

〖Three〗、【Unified Recall and Ranking】清华和微软亚研的UniRec论文，提出统一模型学习召回和排序，降低了计算成本，提高在线推荐性能。NAACL 2022推荐系统论文【Fine-tuning Pre-trained Models】Riiid AI Research的GRAM论文优化了预训练语言模型在CCF中的应用，通过梯度累积提高训练效率。

〖Four〗、论文题目：MixGCF： An Improved Training Method for Graph Neural Network-based Recommender Systems 论文链接： keg.cs.tsinghua.edu.cn/...论文动机：GNN在协同过滤领域展现出优秀性能，然而基于GNN的推荐系统中负采样技术并未得到广泛研究。

〖Five〗、基于IRec4B数据集，提升推荐系统的整体性能。预训练用户表示提升推荐效果：论文：UBERT： PreTraining User Representations for Improved Recommendation作者：Zhaopeng Qiu亮点：通过预训练用户表示，提升推荐效果，数据来源于Amazon和Yelp，为推荐系统的用户建模提供了新的思路。

好了，关于推荐系统论文和推荐系统论文复现的问题到这里结束啦，希望可以解决您的问题哈！