단순 복합체를 활용한 위상 인식 인기도 편향 완화
본 논문에서는 그래프 신경망 기반 추천 시스템에서 발생하는 인기도 편향 문제를 해결하기 위해, 단순 복합체를 활용하여 사용자-아이템 상호 작용의 고차원 관계를 모델링하는 새로운 위상 인식 디바이어싱 프레임워크인 TSP(Test-time Simplicial Propagation)를 제안합니다.
추천을 위한 그래프 교차 상관 네트워크
기존의 그래프 기반 추천 모델들이 사용자-아이템 상호 작용의 의미적 풍부함을 충분히 활용하지 못하는 점을 지적하고, 사용자/아이템 하위 그래프 간의 교차 상관 관계를 명시적으로 고려하는 새로운 추천 패러다임인 GCR을 제안합니다.
콜드 스타트 추천을 위한 그래프 신경망 패칭: 기존 사용자 만족도 저하 없이 새로운 사용자/아이템 추천 성능 향상
본 논문에서는 기존 사용자/아이템 추천 성능을 저하시키지 않으면서 콜드 스타트 추천 성능을 향상시키는 새로운 그래프 신경망 프레임워크인 GNP(Graph Neural Patching)를 제안합니다.
신경 프로세스를 통한 교차 도메인 순차 추천: 겹치지 않는 사용자 활용
기존 교차 도메인 순차 추천 시스템의 겹치는 사용자 데이터에 대한 의존성을 줄이고, 겹치지 않는 사용자 데이터의 잠재력을 활용하여 추천 성능을 향상시키는 새로운 프레임워크를 제시한다.
이종 그래프에서 교차 도메인 추천을 위한 적응형 코디네이터 및 프롬프트
이종 그래프에서 여러 도메인의 정보를 활용하여 교차 도메인 추천 성능을 향상시키는 새로운 프레임워크인 HAGO(Heterogeneous Adaptive Graph coOrdinators)를 제안합니다. HAGO는 적응형 코디네이터를 사용하여 도메인 간의 연결을 동적으로 조정하여 유익한 상호 작용을 강화하는 동시에 부정적인 전이 효과를 완화합니다. 또한, 효과적인 그래프 프롬프팅 방법을 통해 학습된 다중 도메인 지식을 대상 도메인으로 효과적으로 전이합니다.
추정 통계의 불확실성을 고려한 추천 시스템을 위한 강건한 포트폴리오 최적화
추정 통계의 불확실성을 고려하여 추천 정확도와 다양성을 균형있게 향상시킬 수 있는 강건한 포트폴리오 최적화 모델을 제안한다.
효율적이고 데이터 기반의 추천 시스템 그래프를 위한 엣지 확산
추천 시스템 그래프의 엣지 가중치와 사용자 및 아이템 특징을 활용하여 효율적이고 데이터 기반의 추천을 수행한다.
부정적 샘플링의 추천 시스템에서의 역할과 미래 방향
부정적 샘플링은 추천 시스템에서 사용자의 진정한 선호도를 파악하는 데 필수적인 절차이다. 이를 통해 추천 성능을 향상시킬 수 있다.
향상된 신뢰성과 정보성을 가진 증강을 통한 그래프 대조 학습 강화
이 연구는 이산 코드를 통해 더 강력한 협력 정보를 내포하는 대조 뷰를 생성하여 그래프 대조 학습을 향상시키는 것을 목표로 한다.
암묵적 피드백 데이터셋에서 순위 예측을 위한 추천 시스템 알고리즘 선택
암묵적 피드백 데이터셋에서 순위 예측을 위한 추천 시스템 알고리즘 선택 문제를 해결하기 위해 기존에 사용되던 메타 특징과 전통적인 메타 학습 알고리즘, 자동화된 기계 학습 알고리즘의 성능을 비교 분석하였다.
