Aller au contenu principal
2024 conference-paper

LGRec:A Group Recommendation Method Based on Graph Convolutional Neural Networks

0Citations signalées, ce qui n’est pas une note de qualité
1Institutions déclarées
1Pays d’affiliation déclarés

Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Group activities are very common in everyday life, where people often go out for meals with friends during holidays or travel with family. Recommending content to group users has become a complex and important task. It is challenging to recommend to groups based on the preferences of individual members. On one hand, the diversity of group members makes it difficult to aggregate their preferences. On the other hand, the scarcity of historical group activities makes it challenging to learn the preferences of the group as a whole. To address these issues, we propose a group recommendation model called LGRec, based on graph convolutional neural networks (GCNN). This model utilizes graph convolution on the interaction graph among group members to simulate multi-step diffusion between groups, thereby improving the performance of group recommendations.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
LGRec:A Group Recommendation Method Based on Graph Convolutional Neural Networks
Date Crossref
19/04/2024
Éditeur
IEEE
Type
proceedings-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Les institutions déclarées

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Recommender Systems and TechniquesAdvanced Graph Neural NetworksImage Retrieval and Classification Techniques

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.