【AI 2021】Top-N personalized recommendation with graph neural networks in MOOCs

链接：https://sci-hub.se//https://www.sciencedirect.com/science/article/pii/S2666920X21000047
导读：Top-N个性化推荐被广泛研究，帮助学习者在mooc中找到有趣的课程。尽管现有的Top-N个性化推荐方法取得了相当的性能，但这些模型存在两个主要缺点。首先，这些模型很少学习项目结构关系的显式表示，其次，大多数模型通常获得用户的一般偏好，而忽略了物品的近似值。针对这一问题，本文提出了一种基于图神经网络(TP-GNN)的大规模在线开放课程(mooc)个性化Top-N推荐方案。我们探索了两个不同的聚合函数来处理用户的序列邻居然后使用注意机制来生成最终的项表示。在实际课程数据集上的实验表明，TP. GNN算法能够有效地提高算法的性能。此外，基于我们的方法开发的系统获得了参与者的积极反馈，这表明我们的方法有效地预测了学习者的偏好和需求。

【ASCJ 2021】Mobile app recommendation via heterogeneous graph neural network in edge computing

链接：https://sci-hub.se//https://www.sciencedirect.com/science/article/pii/S1568494621000855
导读：边缘计算是随着5G、物联网技术的发展以及对移动应用和服务需求的增加而提出的一种新的计算技术，它使移动应用开发者和内容提供商能够提供情境感知的移动服务(如移动应用推荐)。手机应用推荐是克服手机应用市场信息过载的有效方法。现有模型大多只考虑用户-应用交互和特征建模而忽略了应用推荐场景中至关重要的结构信息。为了充分利用结构信息和特征信息进行应用推荐,本文提出了一种新的异构图神经网络框架(HGNRec)，包括一个内部模块和一个外部模块。具体来说，内部模块能够使用节点级别的注意来了解节点与其基于元路径的邻居之间的重要性。具有路径级别关注的外部模块可以了解不同元路径的重要性。通过从两个模块中了解到的重要性，可以通过集成基于元路径的邻居的特性来生成用户和应用节点的全面嵌入。在真实世界谷歌Play移动应用数据集上的大量实验证明了HGNRec的有效性。

编辑： 许轶珂  蒙盼盼  王嘉豪

内容中包含的图片若涉及版权问题，请及时与我们联系删除