Buchumschlag

On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Malitesta, Daniele, Pomo, Claudio, Anelli, Vito Walter, Mancino, Alberto Carlo Maria, Bellogín, Alejandro, Di Noia, Tommaso
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis
von: Anelli, Vito Walter, et al.
Veröffentlicht: (2023)

DataRec: A Python Library for Standardized and Reproducible Data Management in Recommender Systems
von: Mancino, Alberto Carlo Maria, et al.
Veröffentlicht: (2024)

Training-free Graph-based Imputation of Missing Modalities in Multimodal Recommendation
von: Malitesta, Daniele, et al.
Veröffentlicht: (2026)

Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Dealing with Missing Modalities in Multimodal Recommendation: a Feature Propagation-based Approach
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Do We Really Need to Drop Items with Missing Modalities in Multimodal Recommendation?
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

KGUF: Simple Knowledge-aware Graph-based Recommender with User-based Semantic Features Filtering
von: Bufi, Salvatore, et al.
Veröffentlicht: (2024)

Large-scale Benchmarks for Multimodal Recommendation with Ducho
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2024)

Ducho 2.0: Towards a More Up-to-Date Unified Framework for the Extraction of Multimodal Features in Recommendation
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2024)

Formalizing Multimedia Recommendation through Multimodal Deep Learning
von: Malitesta, Daniele, et al.
Veröffentlicht: (2023)

Balancing Accuracy and Novelty with Sub-Item Popularity
von: Mallamaci, Chiara, et al.
Veröffentlicht: (2025)

Enhancing Sequential Music Recommendation with Personalized Popularity Awareness
von: Abbattista, Davide, et al.
Veröffentlicht: (2024)

Do Recommender Systems Really Leverage Multimodal Content? A Comprehensive Analysis on Multimodal Representations for Recommendation
von: Pomo, Claudio, et al.
Veröffentlicht: (2025)

Fashion Image-to-Image Translation for Complementary Item Retrieval
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2024)

A Reproducible and Fair Evaluation of Partition-aware Collaborative Filtering
von: de Gioia, Domenico, et al.
Veröffentlicht: (2025)

Exploring Diversity, Novelty, and Popularity Bias in ChatGPT's Recommendations
von: Di Palma, Dario, et al.
Veröffentlicht: (2026)

WarpRec: Unifying Academic Rigor and Industrial Scale for Responsible, Reproducible, and Efficient Recommendation
von: Avolio, Marco, et al.
Veröffentlicht: (2026)

Evaluating ChatGPT as a Recommender System: A Rigorous Approach
von: Di Palma, Dario, et al.
Veröffentlicht: (2023)

Do LLMs Memorize Recommendation Datasets? A Preliminary Study on MovieLens-1M
von: Di Palma, Dario, et al.
Veröffentlicht: (2025)

Do We Really Need Specialization? Evaluating Generalist Text Embeddings for Zero-Shot Recommendation and Search
von: Attimonelli, Matteo, et al.
Veröffentlicht: (2025)

CFaiRLLM: Consumer Fairness Evaluation in Large-Language Model Recommender System
von: Deldjoo, Yashar, et al.
Veröffentlicht: (2024)

Exploring Approaches for Detecting Memorization of Recommender System Data in Large Language Models
von: Colacicco, Antonio, et al.
Veröffentlicht: (2026)

Beyond Centralization: User-Controlled Federated Recommendations in Practice
von: Slokom, Manel, et al.
Veröffentlicht: (2026)

Impacts of Mainstream-Driven Algorithms on Recommendations for Children Across Domains: A Reproducibility Study
von: Ungruh, Robin, et al.
Veröffentlicht: (2025)

Stealthy LLM-Driven Data Poisoning Attacks Against Embedding-Based Retrieval-Augmented Recommender Systems
von: Nazary, Fatemeh, et al.
Veröffentlicht: (2025)

Understanding the Influence of Data Characteristics on the Performance of Point-of-Interest Recommendation Algorithms
von: Dietz, Linus W., et al.
Veröffentlicht: (2023)

Poison-RAG: Adversarial Data Poisoning Attacks on Retrieval-Augmented Generation in Recommender Systems
von: Nazary, Fatemeh, et al.
Veröffentlicht: (2025)

ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation)
von: Ariza-Casabona, Alejandro, et al.
Veröffentlicht: (2025)

ViLLA-MMBench: A Unified Benchmark Suite for LLM-Augmented Multimodal Movie Recommendation
von: Nazary, Fatemeh, et al.
Veröffentlicht: (2025)

Point of Interest Recommendation: Pitfalls and Viable Solutions
von: Bellogín, Alejandro, et al.
Veröffentlicht: (2025)

AirTOWN: A Privacy-Preserving Mobile App for Real-time Pollution-Aware POI Suggestion
von: Fasano, Giuseppe, et al.
Veröffentlicht: (2025)

How Fair is Your Diffusion Recommender Model?
von: Malitesta, Daniele, et al.
Veröffentlicht: (2024)

Macro Graph Neural Networks for Online Billion-Scale Recommender Systems
von: Chen, Hao, et al.
Veröffentlicht: (2024)

De-centering the (Traditional) User: Multistakeholder Evaluation of Recommender Systems
von: Burke, Robin, et al.
Veröffentlicht: (2025)

Multi-behavior Recommendation with SVD Graph Neural Networks
von: Fu, Shengxi, et al.
Veröffentlicht: (2023)

Context-Adaptive Graph Neural Networks for Next POI Recommendation
von: Lei, Yu, et al.
Veröffentlicht: (2025)

A Survey of Graph Neural Networks for Social Recommender Systems
von: Sharma, Kartik, et al.
Veröffentlicht: (2022)

Dynamic Graph with Similarity-Aware Attention Graph Neural Network for Recommender Systems
von: Senapati, Aadarsh, et al.
Veröffentlicht: (2026)

Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems
von: Gu, Hongjian, et al.
Veröffentlicht: (2023)