Zjkorigin的博客

│ ├─ 分类任务指标：Accuracy、Precision、Recall、F1-score、ROC-AUC。├── 1. 任务性能（Task Performance）├── 5. 可控性（Controllability）│ ├─ 输入扰动容忍度（拼写错误、噪声）│ ├─ 用户满意度（CSAT、NPS）├── 2. 一致性（Consistency）│ ├─ 重复采样一致性（语义相似度）├── 4. 冗余率（Redundancy）├── 6. 鲁棒性（Robustness）

│ ├─ 分类任务指标：Accuracy、Precision、Recall、F1-score、ROC-AUC。├── 1. 任务性能（Task Performance）├── 5. 可控性（Controllability）│ ├─ 输入扰动容忍度（拼写错误、噪声）│ ├─ 用户满意度（CSAT、NPS）├── 2. 一致性（Consistency）│ ├─ 重复采样一致性（语义相似度）├── 4. 冗余率（Redundancy）├── 6. 鲁棒性（Robustness）

在本节中，我们介绍 GRAG 的解决方案。如上图 (a) 所示，为了解决文本子图检索的挑战，我们提出了一种分而治之的策略。该策略基于以下假设：一个重要的子图由重要节点及其部分邻居组成。具体来说：我们首先搜索重要的自中心图（ego-graph）。然后将最相关的前 N 个自中心图合并，并通过**软剪枝操作（soft pruning）**减少冗余节点和边的影响，生成一个近似最优的子图结构。与直接子图搜索相比，我们的检索-剪枝方法将检索空间限制为 ∣V∣ 个自中心图，从而显著提高了效率。

意图感知会话推荐（Intent-aware Session Recommendation, ISR）在识别会话中的用户意图并进行精准预测方面起着至关重要的作用。然而，传统方法由于假设所有会话具有相同数量的意图而面临局限性。这种假设忽视了用户会话的动态特性，即意图的数量和类型可能显著变化。此外，这些方法通常在潜在空间中操作，因此限制了模型的透明性。为了解决这些挑战，我们引入了一种新颖的ISR方法，利用大型语言模型（Large Language Models, LLMs）的高级推理能力。

自监督学习方法（包括基于异构图神经网络（HGNNs）的对比学习）在学习异构信息网络（HINs）表示方面取得了巨大成功。然而，现有的自监督方法通常忽视了HIN背后潜在因素的交织性，这降低了下游任务的性能。为此，本文提出了一种多层次解耦异构图对比学习方法，旨在以自监督方式学习解耦的HIN节点表示。具体而言，我们首先设计了一种定制的编码器，用于捕捉输入HIN中节点的潜在因素和语义，并学习它们的分解表示。随后，我们提出了一种新颖的对比学习判别目标，专为解耦的HIN节点表示学习设计。

多意图预测：通常，用户行为数据可以通过图G = (V, E)来表示，其中节点集V = U ∪ I ∪ C包括所有的用户、物品和与物品相关的概念，边集E = O+ ∪ P+表示观察到的用户行为和物品隶属关系。具体来说，U = {u1, u2, · · · , uN}是N个用户的集合，I = {i1, i2, · · · , iM}是M个物品的集合，C = {c1, c2, · · · , cR}是与物品相关的R个概念的集合，这些概念表示物品的特征，如类别、类型、流行度等。

异构信息网络因其能够建模用户-物品交互中的丰富上下文信息，已被广泛应用于缓解推荐系统中的稀疏性和冷启动问题。图神经网络通过图上的传播能够编码这些丰富的上下文信息。然而，现有的异构图神经网络忽视了来自不同方面的潜在因素的纠缠。此外，现有方法中的元路径被简化为连接路径或节点对之间的边信息，忽视了路径中的丰富语义信息。本文提出了一种新型的解耦异构图注意力网络 DisenHAN，用于 top-𝑁 推荐，它可以从异构信息网络中学习来自不同方面的解耦用户/物品表示。特别地，我们使用元关系来分解节点对之间的高阶连接性，

最近的研究表明，图神经网络（GNN）普遍用于为协作过滤（CF）建模高阶关系。在这条研究路线上，图对比学习（GCL）通过学习增强的用户和项目表示，在解决监督标签短缺问题方面表现出了强大的性能。虽然它们中的许多显示了它们的有效性，但两个关键问题仍然未被探索：i）大多数现有的基于GCL的CF模型仍然受到忽略用户-项目交互行为通常由不同的潜在意图因素（例如，ii）他们引入的非自适应增强技术容易受到噪声信息的影响，这引起了对模型鲁棒性和引入误导性自我监督信号的风险的担忧。

推荐系统通常依赖观察到的用户交互数据来构建个性化推荐模型，并假设这些观察数据能够反映用户的兴趣。然而，用户与某一物品的交互也可能是由于从众心理，即跟随热门物品的需求所导致的。大多数现有研究忽略了用户的从众心理，并将其与兴趣混为一谈，这可能导致推荐系统无法提供令人满意的结果。因此，从因果关系的视角来看，解耦这些交互原因是一个关键问题。这对于解决训练数据和测试数据分布不一致（OOD）的问题也有所帮助。

在推荐和协同过滤领域，图对比学习（Graph Contrasive Learning，GCL）已经成为一种有影响的方法。然而，对比学习有效性的原因还没有得到很好的理解。本文对的方法提出了质疑，因为这些方法可能会破坏图神经网络的结构和语义信息.此外，固定速率的数据增强被证明与具有自适应速率的增强相比效率较低。在初始训练阶段，较大的扰动更适合，而随着训练接近收敛，较温和的扰动产生较好的结果。我们引入了一个，证明了传统增强技术的冗余性。

霍克斯过程的特性自激励：每个事件的发生都会增加未来事件的发生概率。互激励：在一个多维霍克斯过程中，一个维度的事件可以增加其他维度事件的发生概率。时变强度：事件的发生强度随时间变化，并且受到过去事件历史的影响。

从交互数据中学习用户和物品的信息表示对于协同过滤（CF）至关重要。现有的嵌入函数利用用户-物品关系来丰富表示，从单一的用户-物品实例发展到整体交互图。然而，这些方法大多以统一的方式对用户-物品关系进行建模，而忽略了用户采用物品的意图多样性，这些意图可能是为了消磨时间、出于兴趣，或是为家人等他人购物。这种对用户兴趣的统一建模方法容易导致表示不佳，无法有效建模多样化的关系并在表示中区分用户意图。在本文中，我们特别关注用户-物品关系在用户意图这一更细粒度层面上的表现。

CL被纳入推荐系统，主要是为了解决标签稀疏性的挑战，使用自监督信号。

站点集合：S快递员集合：C公路网：G=(L,E,W) l属于L，代表交叉路口，e12属于 E，代表两个路口（l1,l2）之间的边，w12,表示边e12上的权重。站点s=（ls,Cs,Rs）其中ls属于L，代表站点的位置，Cs代表该站点雇佣的快递员数量，Rs代表站点服务的区域。分配任务： γ =（lγ,tγ），从站点取出包裹必须在时间tγ之前送到位置lγ。收集任务：λ = （bλ ,lλ ,tλ ,ρλ ），包裹在时间bλ 出现，位置在lλ ，必须在时间tλ 之前收集到该包裹，收取费用为ρλ。

（1）自适应知识精炼，其使用参数化的二进制掩码来学习以无偏梯度估计器去除不相关的事实，同时设计了组合知识聚合器以有效地集成不同种类的知识关联用于上下文传播（2）对比去噪学习，其关注协作信号和知识信号的差异以对比方式识别噪声交互，并且迭代地执行关系感知图自增强以增强用户表示。

在推荐系统中，大多数基于图的方法只关注用户的正面反馈，而忽略了有价值的负面反馈。将正反馈和负反馈结合起来形成一个带符号的图，可以更全面地理解用户的偏好。然而，现有的两类反馈融合算法存在两个主要局限性：1）它们分别处理正反馈和负反馈，无法从整体上利用签名图中的协作信息;2）它们依赖于MLP或GNN从负反馈中提取信息，可能效果不佳.为了克服这些局限性，我们引入了SIGformer，一种新的基于符号感知的图推荐方法。

大型语言模型（LLMs）在多个领域展现了出色的表现，这促使研究人员探索其在推荐系统中的潜力。初步尝试利用LLMs的卓越能力，例如通过上下文学习（In-context Learning）实现的丰富知识和强大的泛化能力，将推荐任务以提示（prompts）的形式进行。然而，由于LLMs的训练任务与推荐任务之间存在显著差异，以及在预训练过程中缺乏足够的推荐数据，LLMs在推荐任务中的表现仍不尽如人意。

图神经网络（GNNs）已经成为协同过滤（CF）中极具前景的解决方案，通过建模用户-项目交互图来实现。现有基于GNN的推荐系统的核心在于沿着用户-项目交互边递归地传递消息以细化编码嵌入。尽管它们已显示出有效性，但当前的GNN方法仍面临有限感受野和存在噪声“兴趣无关”连接的挑战。相比之下，基于Transformer的方法在自适应和全局地聚合信息方面表现出色。然而，它们在大规模交互图上的应用受到捕获复杂、纠缠结构信息的固有复杂性和挑战的限制。

图神经网络（GNNs）最近作为推荐系统中的有效协同过滤（CF）方法受到关注。基于GNN的推荐系统的关键思想是通过用户-项目交互边沿进行递归消息传递，以优化编码嵌入，依赖于充足且高质量的训练数据。然而，实际推荐场景中的用户行为数据通常是噪声较大且分布偏斜的。为了解决这些问题，一些推荐方法（如SGL）利用自监督学习来改善用户表示。这些方法通过创建对比视图进行自监督学习，但它们依赖于繁琐的试错选择增强方法。

Transformers (Vaswani et al., 2017)，已被证明在自然语言理解 (Vaswani et al., 2017)、计算机视觉 (Dosovitskiy et al., 2020) 和生物序列建模 (Rives et al., 2020) 方面取得了成功。2021），提供了解决这些问题的潜力。Transformer 架构不仅仅在消息传递机制中聚合本地邻域信息，而是能够通过单个自注意力层捕获任何节点对之间的交互信息。