BriefGPT - AI 论文速递
·
基于图神经网络的参考依赖选择建模
💡
原文中文，约2300字，阅读约需6分钟。
📝
内容提要
本文总结了推荐系统开发的研究，包括使用ArcRec构建参考网络、提出GMCF模型、探究跨市场商品推荐的FOREC模型、解决会话式推荐中的价格因素问题的Co-guided Heterogeneous Hypergraph Network方法等。此外，还介绍了DAEMON框架、商品组合优化选择模型、预训练神经推荐系统的可迁移框架和交互推荐中的软属性偏好征求。
🎯
关键要点
-
研究解决了传统前景理论在推荐系统中的参考依赖偏好量化问题。
-
提出了基于消费者历史购买记录的深度学习框架ArcRec，构建参考网络。
-
利用图神经网络量化消费者的参考依赖偏好，引入新的特征级支付意愿度量。
-
提出基于神经图匹配的协同过滤模型GMCF，有效捕获属性之间的交互。
-
提出FOREC模型，探究跨市场商品推荐，提升性能并解决市场适应问题。
-
提出Co-guided Heterogeneous Hypergraph Network方法，解决会话式推荐中的价格因素问题。
-
研究DAEMON框架，利用图神经网络推荐相关产品，优于现有基准模型。
-
开发基于神经网络的商品组合优化选择模型，提升购买概率预测能力。
-
探索预训练神经推荐系统的可迁移框架，支持零样本推荐。
-
提出因果去偏见的适应性泛型推荐系统，提升跨市场和跨平台推荐性能。
-
基于软属性开发新颖的偏好征集方法，提高推荐系统的推荐质量。
-
构建以高斯过程为基础的偏好学习模型，填补现有文献空白。
➡️
