ผลแนะนำสำหรับ "transformer recommendation" จัดอันดับความเกี่ยวข้อง (10 รายการ)
เรียง:
แสดง:
ล้าง
วารสารวิชาการ
100% match ระดับนานาชาติ (SCOPUS) Q4
HGT4REC: HYPERBOLIC GRAPH TRANSFORMER FOR SEQUENTIAL AND SOCIAL RECOMMENDATION
ผศ.ดร.นิกร กรรณิกากลาง  |  2569  |  คณะบริหารธุรกิจ  |  2,115
Sequential behaviors and social ties jointly shape user preferences; however, most prior work models them in isolation and relies on shallow fusion in Euclidean space, which strugg...
วารสารวิชาการ
99% match ระดับนานาชาติ (SCOPUS) Q1
BiTG4Rec: Bidirectional Transformer Graphs for Sequential-Social Recommendation
ผศ.ดร.นิกร กรรณิกากลาง  |  2568  |  คณะบริหารธุรกิจ  |  2,002
Sequential-social recommendation systems are essential for understanding users’ evolving interests and predicting their future behaviors. While existing methods employing bidirecti...
วารสารวิชาการ
99% match ระดับนานาชาติ (SCOPUS) Q1
GCTMR: Graph Contrastive Transformer for Multibehavior Recommendation
ผศ.ดร.นิกร กรรณิกากลาง  |  2569  |  คณะบริหารธุรกิจ  |  1,843
Multibehavior recommendation aims to leverage diverse user interaction types—such as views, clicks, and purchases—to better understand user intent and enhance recommendation accura...
บทความประชุมวิชาการ
49% match ระดับนานาชาติ
GraphBERT4FakeNews: Graph-aware Bidirectional Transformer Learning for English Fake News Detection
ผศ.ดร.นิกร กรรณิกากลาง  |  2569  |  คณะบริหารธุรกิจ  |  1,910
The rapid dissemination of fake news through online news platforms and social media has become a major challenge, significantly influencing public opinion, political decision-makin...
วารสารวิชาการ
49% match ระดับนานาชาติ (SCOPUS) Q1
GCA4Rec: Graph-Based Co-Attention Networks for Sequential and Social Recommendation
ผศ.ดร.นิกร กรรณิกากลาง  |  2568  |  คณะบริหารธุรกิจ  |  1,665
The integration of sequential and social recommendations using a graph-based co-attention architecture marks a significant advancement in deep learning, substantially improving rec...
บทความประชุมวิชาการ
48% match ระดับนานาชาติ
BiG: Bidirectional Graph Convolutional Networks for Social and Sequential Recommendation
ผศ.ดร.นิกร กรรณิกากลาง  |  2567  |  คณะบริหารธุรกิจ  |  1,206
Graph convolutional networks have obviously influenced recommender systems. However, we argue that previous research has limitations: 1) unidirectional approaches are not enough to...
วารสารวิชาการ
47% match ระดับนานาชาติ (SCOPUS) Q1
HGKAN: Hyperbolic Graph-Based Kolmogorov–Arnold Network for Social Recommendation
ผศ.ดร.นิกร กรรณิกากลาง  |  2569  |  คณะบริหารธุรกิจ  |  1,785
Social recommendation utilizes social relationships to alleviate data sparsity and improve recommendation quality. Nevertheless, existing approaches still encounter several limitat...
วารสารวิชาการ
44% match ระดับนานาชาติ (SCOPUS) Q2
Digital Workforce Matching: A Machine Learning Approach for Skill-Based Job Classification and Recom
ผศ.ดร.ณัฐรฐนนท์ กานต์รวีกุลธนา  |  2568  |  คณะบริหารธุรกิจ  |  1,285
This research presents an integrated machine learning approach for optimizing digital workforce matching in Thailand's evolving digital economy. The study develops a novel job reco...
วารสารวิชาการ
44% match ระดับนานาชาติ (SCOPUS) Q3
The Development a Job Position Recommendation System Using Collaborative Filtering Technique
ผศ.ดร.ณัฐรฐนนท์ กานต์รวีกุลธนา  |  2569  |  คณะบริหารธุรกิจ  |  647
Unemployed individuals and recent graduates often lack the experience or skills necessary to effectively search and filter job positions on job search websites, hindering their abi...
บทความประชุมวิชาการ
41% match ระดับนานาชาติ
BERTGRU4Sentiment: Bidirectional Encoder Representations from Transformers with Gated Recurrent Unit
ผศ.ดร.นิกร กรรณิกากลาง  |  2569  |  คณะบริหารธุรกิจ  |  1,639
This study proposes BERTGRU4Sentiment, a deep learning model that combines fine-tuned Bidirectional Encoder Representations from Transformers (BERT) with a Gated Recurrent Unit (GR...
ระบบแนะนำงานวิจัย

จัดอันดับความเกี่ยวข้องจากคำสำคัญด้วย TF-IDF ถ่วงน้ำหนักชื่อเรื่อง / คำสำคัญ / บทคัดย่อ รองรับทั้งภาษาไทยและภาษาอังกฤษ

TF-IDF Keyword Weighting Relevance Rank