摘要
Z.Allen-Zhu和E.Hazan。 2016年,减少方差,实现更快的非凸优化。 在ICML中。 699–707. 谷歌学者 P.W.Battaglia、J.B.Hamrick、V.Bapst、A.Sanchez-Gonzalez、V.Zambaldi、M.Malinowski、A.Tacchetti、D.Raposo、A.Santoro、R.Faulkner、C.Gulcere、F.Song、A.Ballard、J.Gilmer、G.Dahl、A.Vaswani、K.Allen、C.Nash、V.Langston、C.Dyer、N.Heess、D.Wierstra、P.Kohli、M.Botvinick、O.Vinyals、Y.Li和R.Pascanu。 关系归纳偏见、深度学习和图形网络。 arXiv预印arXiv:1806.01261(2018)。 谷歌学者 D.P.Bertsekas博士。 1999.非线性规划。 雅典娜科技。 谷歌学者 E.Candès和B.Recht。 2009.通过凸优化实现精确矩阵补全。 计算数学基础9,6(2009),717。 谷歌学者 交叉引用 E.J.Candès、M.B.Wakin和s.P.Boyd。 2008年。通过重加权提高稀疏性 1 最小化。 《傅里叶分析与应用杂志》14,5-6(2008),877-905。 谷歌学者 交叉引用 丁玉慧、姚全明和张彤。 2020年,图形神经网络传播模型搜索。 技术报告。 谷歌学者 Y.Dong、N.V Chawla和A.Swami。 2017年,metapath2vec:异构网络的可扩展表示学习。 在SIGKDD中。 135–144. 谷歌学者 Y.Dong、Z.Hu、K.Wang、Y.Sun和J.Tang。 2020年。异构网络表征学习。 在IJCAI。 4861至4867。 谷歌学者 S.Fan、J.Zhu、X.Han、C.Shi、L.Hu、B.Ma和Y.Li.2019年。 用于意向推荐的元路径引导的异构图神经网络。 在KDD中。 2478–2486 谷歌学者 Y.Fan、S.Hou、Y.Zhang、Y.Ye和M.Abdulhayoglu。 2018年a。 Gotcha-sly恶意软件!: 蝎子是一个基于Metagraph2vec的恶意软件检测系统。 在SIGKDD中。 253–262. 谷歌学者 Y.Fan、Y.Zhang、Y.Ye和X.Li.2018b。 推特自动阿片类药物用户检测:基于异构信息网络上不同的基于元粒度的相似性构建的转换集成。In IJCAI。 3357–3363. 谷歌学者 Y.Fang、W.Lin、V.W.Zheng、M.Wu、J.Shi、K.Chang和X.Li.2019年。 基于图元的异构图形学习。 IEEE知识与数据工程汇刊33,1(2019),154-168。 谷歌学者 数字图书馆 Y.Fang、W.Lin、W.Zheng、M.Wu、K.Chang和X.Li.2016年。 使用基于元图的学习对图进行语义邻近搜索。 在ICDE中。 277–288. 谷歌学者 G.Guo、J.Zhang、Z.Sun和N.Yorke-Smith。 2015.LibRec:推荐系统的Java库。 技术报告。 新加坡管理大学信息系统学院。 谷歌学者 R.He和J.McAuley。 2016年,《起起落落:用一级协同过滤模拟时尚趋势的视觉演变》,载于WebConf。 507–517. 谷歌学者 何毅、宋毅、李钧、纪传国、彭建中、彭海鹏。 2019.HeteSpaceyWalk:异构信息网络嵌入的异构空间随机漫步。 在CIKM中。 639–648. 谷歌学者 J.Herlocker、J.Konstan、A.Borchers和J.Riedl。 1999年。执行协同过滤的算法框架。在SIGIR中。 230–237. 谷歌学者 L.Hong、A.S Doumeth和B.D.Davison。 2013.协同生产机器:在推特上建模用户兴趣并预测个人决策。 在WSDM中。 557–566. 谷歌学者 S.Hou、Y.Ye、Y.Song和M.Abdulhayoglu。 2017.HinDroid:一个基于结构化异构信息网络的智能安卓恶意软件检测系统。在SIGKDD中。 1507–1515. 谷歌学者 B.Hu、C.Shi、W.X.Zhao和P.S.Yu。 2018年。利用基于元路径的上下文,通过神经共同关注模型实现排名前N的推荐。 在SIGKDD中。 1531–1540. 谷歌学者 B.Hu、Z.Zhang、C.Shi、J.Zhou、X.Li和Y.Qi。 2019.基于属性化异构信息网络和分层注意机制的兑现用户检测。 在AAAI。 946–953. 谷歌学者 Z.Huang、Y.Zheng、R.Cheng、Y.Sun、N.Mamoulis和X.Li.2016。 元结构:大型异构信息网络中的计算相关性。 在SIGKDD中。 1595–1604. 谷歌学者 L.Jacob、G.Obozinski和J.Vert。 2009年。使用重叠套索和图形套索组合套索。 在ICML中。 433–440. 谷歌学者 江H.、宋Y.、王C.、张M.和孙Y。 2017年。通过元粒度引导的随机漫步集成,在异构信息网络上进行半监督学习。 在IJCAI。 1944–1950. 谷歌学者 J.Jin、J.Qin、Y.Fang、K.Du、W.Zhang、Y.Yu、Z.Zhangs和A.J Smola。 2020年。基于邻居的高效交互模型,用于推荐异构图。 在SIGKDD中。 75–84. 谷歌学者 W.Kang、M.Wan和J.McAuley。 2018年。通过混合异构项目关系推荐。 在CIKM中。 1143–1152. 谷歌学者 X.Kong、B.Cao和P.S.Yu。 2013年a。 通过挖掘异构信息网络中的标签和实例相关性进行多标签分类。 在SIGKDD中。 614–622. 谷歌学者 X.Kong、J.Zhang和P.S.Yu。 2013年b。 推断跨多个异构社交网络的锚链接。 在CIKM中。 179–188. 谷歌学者 Y.Koren。 2008.因子分解与邻域相遇:一个多层面的协同过滤模型。 在SIGKDD中。 426–434. 谷歌学者 N.Lao和W.Cohen。 2010.使用路径约束随机漫步组合的关系检索。 机器学习81,1(2010),53–67。 谷歌学者 数字图书馆 H.Li和Z.Lin.2015。 非凸规划的加速近似梯度法。 在NeurIPS中。 379–387. 谷歌学者 G.Ling、M.R.Lyu和I.King。 2014年。评级符合审查要求,这是一种综合的推荐方法。 在RecSys中。 105–112. 谷歌学者 H.Ma、D.Zhou、C.Liu、M.R.Lyu和I.King。 2011年,推荐社会正规化系统。 在WSDM中。 287–296. 谷歌学者 J.McAuley和J.Leskovec。 2013.隐藏因素和隐藏主题:通过回顾文本了解评级维度。 在RecSys中。 165–172. 谷歌学者 A.Mnih和R.Salakhutdinov。 2007.概率矩阵分解。 在NeurIPS中。 1257–1264. 谷歌学者 西潘。 2016年,基于辅助数据的协作推荐迁移学习调查。 神经计算177,C(2016),447-453。 谷歌学者 N.Parikh和S.Boyd。 2014.近似算法。 优化基础与趋势1,3(2014),127–239。 谷歌学者 数字图书馆 A.Paszke、S.Gross、F.Massa、A.Lerer、J.Bradbury、G.Chanan、T.Killeen、Z.Lin、N.Gimelshein、L.Antiga、A.Desmaison、A.Köpf、E.Yang、Z.DeVito、M.Raison、A.Tejani、S.Chilamkurthy、B.Steiner、L.Fang、J.Bai和S.Chintala。 2019.PyTorch:一个命令式、高性能的深度学习库。 在NeurIPS中。 8024–8035. 谷歌学者 A.帕特雷克。 2007年,《改进协同过滤的正则奇异值分解》,技术报告。 华沙大学信息学院。 5–8. 谷歌学者 A.Pfadler、H.Zhao、J.Wang、L.Wang,P.Huang和D.L.Lee。 2020年,淘宝网推出了数十亿条规模不等的推荐,并提供了各种各样的侧边信息。 在ICDE中。 1667–1676. 谷歌学者 S.Reddi、A.Hefny、S.Sra、B.Poczos和A.Smola。 2016.非凸优化的随机方差减少。 在ICML中。 314–323. 谷歌学者 R.Rehurek和P.Sojka。 2010.大型语料库主题建模软件框架。 技术报告。 谷歌学者 S.伦德尔。 2012.带有libFM的因子分解机器。 ACM智能系统与技术汇刊3,3(2012),57:1–57:22。 谷歌学者 数字图书馆 C.Shi、X.Han、S.Li、X.Wang、S.Wang、J.Du和P.S.Yu。 2021.在异构网络中使用多方面信息进行深度协作过滤。 IEEE知识与数据工程汇刊33,4(2021),1413-1425。 谷歌学者 数字图书馆 石昌华、胡斌、X.Zhao和P.S.Yu。 2018.异构信息网络嵌入推荐。 IEEE知识与数据工程汇刊31,2(2018),357–370。 谷歌学者 数字图书馆 施正荣、孔晓刚、黄彦、余培生和吴斌。 2014年,HeteSim:异构网络中相关性度量的一般框架。 IEEE知识与数据工程学报26,10(2014),2479-2492。 谷歌学者 交叉引用 C.Shi、Y.Li、J.Zhang、Y.Sun和Y.Philip。 2017年,异质信息网络分析调查。 IEEE知识与数据工程汇刊29,1(2017),17-37。 谷歌学者 数字图书馆 石春秋、张志忠、罗培生、余培生、岳友友和吴斌。 2015.基于语义路径的加权异构信息网络个性化推荐。 在CIKM中。 453–462之间。 谷歌学者 孙毅(Y.Sun)和韩骏(J.Han)。 2013.挖掘异构信息网络:结构分析方法。 ACM SIGKDD探索新闻稿14,2(2013),20–28。 谷歌学者 数字图书馆 Y.Sun、J.Han、C.C.Aggarwal和N.V.Chawla。 2012年。什么时候会发生?: 异构信息网络中的关系预测。 在WSDM中。 663–672. 谷歌学者 孙毅(Y.Sun)、韩智杰(J.Han)、X.Yan、余培生(P.S.Yu)和吴振华(T.Wu)。 2011.PathSim:异构信息网络中基于元路径的top-k相似性搜索。 在PVLDB中。 992–1003. 谷歌学者 Y.Sun、B.Norick、J.Han、X.Yan、P.S.Yu和X.Yu。 2013.PathSelClus:在异构信息网络中,将元路径选择与用户引导的对象聚类相结合。 ACM《从数据中发现知识的汇刊》7,3(2013),11:1–11:23。 谷歌学者 P.Velićković、G.Cucurull、A.Casanova、A.Romero、P.Lio和Y.Bengio。 2018年,绘制注意力网络图。 在ICLR中。 谷歌学者 C.Wang、Y.Song、A.El-Kishky、D.Roth、M.Zhang和J.Han。 2015年a。 通过异构信息网络将世界知识整合到文档聚类中。 在SIGKDD中。 1215–1224. 谷歌学者 C.Wang、Y.Song、H.Li、Y.Sun、Z.Zhang和J.Han。 2017.基于文本的异构信息网络的远距离元路径相似性。 在CIKM中。 1629–1638. 谷歌学者 C.Wang、Y.Song、H.Li、M.Zhang和J.Han。 2015年b。 KnowSim:结构化异构信息网络上的文档相似性度量。 在ICDM中。 1015–1020. 谷歌学者 H.Wang、F.Zhang、J.Wang,M.Zhao、W.Li、X.Xie和M.Guo。 2019c年。 探索推荐系统知识图上的高阶用户偏好。 ACM信息系统交易37,3(2019),32。 谷歌学者 数字图书馆 J.Wang、P.Huang、H.Zhao、Z.Zhang、B.Zhao和D.L.Lee。 2018。阿里巴巴电子商务推荐的十亿规模商品嵌入。 在SIGKDD中。 839–848. 谷歌学者 M.Wang、L.Yu、D.Zheng、Q.Gan、Y.Gai、Z.Ye、M.Li、J.Zhou、Q.Huang、C.Ma、Z.Huange、Q.Guo、H.Zhang、H.Lin、J Zhao、J Li、A.Smola和Z.Zhang。 2019b年。 深度图库:实现高效和可扩展的图深度学习。 技术报告。 谷歌学者 X.Wang、H.Ji、C.Shi、B.Wang、Y.Ye、P.Cui和P.S.Yu。 2019a年。 异构图形关注网络。在WebConf中。 2022–2032. 谷歌学者 L.Xiao和T.Zhang。 2014年。具有逐步方差减少的近似随机梯度法。 SIAM优化杂志24,4(2014),2057–2075。 谷歌学者 数字图书馆 肖伟(W.Xiao)、赵浩(H.Zhao)、潘浩文(H.Pan)、宋育英(Y.Song)、郑文华(V.W.Zheng)和杨琼(Q.Yang)。 2019.超越个性化:针对创作者平等和消费者满意度的社交内容推荐。 在SIGKDD中。 235–245. 谷歌学者 肖伟(W.Xiao)、赵浩(H.Zhao)、潘浩文(H.Pan)、宋育英(Y.Song)、郑文华(V.W.Zheng)和杨琼(Q.Yang)。 2021.针对内容分发平台的基于社会探索注意力的推荐。 数据挖掘和知识发现35(2021),533–567。 谷歌学者 数字图书馆 L.Yan、W.Li、G.Xue和D.Han。 2014.用于显示广告中网络规模ctr预测的耦合组套索。 在ICML中。 802–810. 谷歌学者 C.Yang、Y.Feng、P.Li、Y.Shi和J.Han。 2018.基于Meta-graph的HIN光谱嵌入:方法、分析和见解。 在ICDM中。 657–666. 谷歌学者 C.Yang、Y.Xiao、Y.Zhang、Y.Sun和J.Han。 2020年。异构网络表征学习:调查、基准、评估及其他。 arXiv预印arXiv:2004.00216(2020)。 谷歌学者 问:姚明和郭台铭。 2015年,加快了大规模矩阵快速完成的不精确软计算。 在IJCAI。 4002–4008. 谷歌学者 问:姚明和郭台铭。 2016年,通过重新分配非凸性,与非凸正则化子家族进行有效学习。 在ICML中。 2645–2654. 谷歌学者 Q.Yao、J.Kwok、F.Gao、W.Chen和T.-Y Liu。 2017.非凸问题的高效非精确近似梯度算法。 在IJCAI。 3308–3314. 谷歌学者 Q.Yao、J.T.Kwok、T.Wang和T.Y.Liu。 2018.使用非凸正则化子的大规模低秩矩阵学习。 IEEE模式分析和机器智能汇刊41,11(2018),2628-2643。 谷歌学者 交叉引用 问:姚明和M.王。 2018.将人类从学习应用程序中剔除:自动化机器学习调查。 技术报告。 谷歌学者 叶先生、尹先生、李小龙先生和李大龙先生。 2011.利用地理影响力提出合作兴趣点建议。 在SIGIR中。 325–334. 谷歌学者 X.Yu、X.Ren、Q.Gu、Y.Sun和J.Han。 2013.异构信息网络中实体相似性规则化的协同过滤。 技术报告。 伊利诺伊大学香槟分校。 谷歌学者 X.Yu、X.Ren、Y.Sun、Q.Gu、B.Sturt、U.Khandelwal、B.Norick和J.Han。 2014.个性化实体推荐:异构信息网络方法。 在WSDM中。 283–292之间。 谷歌学者 D.Zhang、J.Yin、X.Zhu和C.Zhang。 2018.Metagraph2vec:复杂语义路径增强异构网络嵌入。 在PAKDD中。 196–208. 谷歌学者 J.Zhang、P.S.Yu和Z.Zhou。 2014.基于元路径的多网络集体链路预测。 在SIGKDD中。 1286–1295. 谷歌学者 T·张。 2010年。稀疏正则化的多级凸松弛分析。 《机器学习研究杂志》11,35(2010),1081–1107。 谷歌学者 数字图书馆 W.Zhang、Y.Fang、Z.Liu、M.Wu和X.Zhang。 mg2vec:学习关系——通过元图嵌入保存异构图表示。 IEEE知识与数据工程汇刊(2020年)。 谷歌学者 赵欢、魏兰宁和姚全明。 2020.图形神经网络的简化架构搜索。技术报告。 谷歌学者 H.Zhao、Q.Yao、J.Kwok和D.Lee。 2017年a。 使用社交本地模型进行协作过滤。 在ICDM中。 645–654. 谷歌学者 H.Zhao、Q.Yao、J.Li、Y.Song和D.Lee。 2017年b月。 异构信息网络上基于元粒度的推荐融合。 在SIGKDD中。 635–644. 谷歌学者 H.Zhao、Y.Zhou、Y.Song和D.L.Lee。 2019.Motif增强了对异构信息网络的推荐。在CIKM中。 2189–2192. 谷歌学者 郑文伟、郑毅、谢旭和杨琼。 2012.走向移动智能:从GPS历史数据中学习协作推荐。 《人工智能期刊》184(2012),17-37。 谷歌学者 数字图书馆
建议
异构信息网络中基于元图的推荐融合 KDD’17:第23届ACM SIGKDD知识发现和数据挖掘国际会议记录 异构信息网络(HIN)是现代大型商业推荐系统中数据的一种自然和通用表示,涉及异构数据类型。 基于HIN的推荐系统面临着两个问题:如何表示高层。。。 一个可扩展、准确的混合推荐系统 WKDD’10:2010年第三届知识发现和数据挖掘国际会议记录 推荐系统应用机器学习技术过滤看不见的信息,并可以预测用户是否喜欢给定的资源。 推荐系统主要有三种类型:协同过滤、基于内容的过滤和。。。