LightGCN
PulseAugur coverage of LightGCN — every cluster mentioning LightGCN across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LLM-MGCL通过整合语义和地理数据增强POI推荐 · 已追踪2个来源
研究人员开发了一种名为LLM增强的多图对比学习（LLM-MGCL）的新方法，以改进兴趣点（POI）推荐，特别是解决了交互数据有限的物品的冷启动问题。该方法将源自LLM生成的摘要和关键词的语义信息，以及地理数据，整合到多图神经网络中。在Yelp多模态推荐数据集上的实验表明，与现有方法相比，召回率和NDCG分数有了显著提高，凸显了LLM衍生的知识在增强推荐系统方面的有效性。
-
X-KGRank框架利用知识图谱和LLM增强推荐系统
研究人员开发了X-KGRank，一个结合知识图谱检索和大型语言模型（LLM）以改进推荐系统的新框架。该方法通过将LLM的解释 grounding 在用户历史和结构化数据中，解决了现有方法的局限性，从而减少了幻觉。该框架构建了一个异构知识图谱，并采用LightGCN ranker，在MovieLens-1M数据集上的表现优于基线方法。
-
MARS框架使用LLM进行外卖推荐 · 跟踪1个来源
研究人员开发了MARS，一个用于重复订单外卖推荐的多智能体重排框架。该模块化系统将协同过滤信号与大型语言模型（LLMs）集成，用于两阶段推荐过程：菜系预测和商家排名。MARS结合了来自LightGCN的全局偏好信号、本地同伴证据、地理空间过滤以及在各种上下文中的LLM推理。该框架在Delivery Hero的真实基准上进行了评估，证明了预训练LLM与轻量级协同检索配对时具有竞争力。
-
新的MARS框架使用LLM进行重复订单外卖推荐
研究人员开发了MARS，一个新颖的多智能体重排框架，专为重复订单外卖推荐而设计。该框架将大型语言模型（LLM）与协同过滤和上下文推理相结合，以提高推荐准确性。MARS分两个阶段进行，首先预测菜系，然后根据用户偏好、同伴证据和地理空间数据信号对商家进行排名。该系统在Delivery Hero的真实基准上进行了评估，证明了当LLM与轻量级协同检索方法结合时具有竞争力。
-
人工智能估算产品碳足迹，助力绿色电子商务
研究人员开发了一种估算电子商务推荐产品碳足迹的方法，即使在缺少标签的情况下也能实现。这是通过利用语义相似性和LLM提示来推断碳数据实现的。事后重新排序策略然后平衡预测的用户参与度和估算的碳影响，在各种产品类别中展示了在参与度损失极小的情况下显著减少碳排放。
-
人工智能估算产品碳足迹，助力绿色电子商务
研究人员开发了一种估算电子商务产品碳足迹的方法，即使在缺少标签的情况下也能实现。这是通过使用大型语言模型（LLMs）和语义相似性，从少量评估产品中推断碳足迹来实现的。然后，该系统重新排序产品推荐，以平衡用户参与度和碳减排，证明了在对用户兴趣影响极小的情况下实现显著碳节省是可能的。
-
新的GNN框架通过动态用户相似度增强推荐系统
研究人员开发了一个名为DG-SA-GNN的新框架，通过整合动态用户相似度图来改进推荐系统。该方法解决了传统方法依赖静态数据且无法捕捉用户偏好的演变的问题。该框架使用多种函数构建多个用户相似度图，并利用注意力机制将它们融合，使模型能够适应训练过程中用户嵌入的变化。
-
新的PBiLoss方法提高了图推荐系统的公平性
研究人员开发了一种新的正则化技术PBiLoss，以解决图推荐系统中的流行度偏差问题。该方法旨在通过惩罚过度推荐热门商品来提高公平性，从而促进更个性化的内容。PBiLoss被设计为模型无关的，可以集成到现有的框架中，如LightGCN。实验表明，在保持推荐准确性的同时，流行度偏差指标降低了高达10%。