KDDMay, 2020

M2GRL: 面向 Web 规模推荐系统的多任务多视图图表示学习框架

PDF
TL;DR本研究利用多视角方法来学习来自多个视角的图表征学习表示，提出了一个适用于网络规模推荐系统的多任务多视图图表征学习框架 (M2GRL)，在淘宝上进行了测试，结果表明，该框架在网址推荐方面的性能显著优于现有的算法。
multi-view datagraph representation learningrecommendationmulti-task learningweb-scale recommender systems
发现论文，激发创造
  • 超越同质性的多视图图形表示学习

    该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

    Apr, 2023

  • 多视角 MOOC 质量评估：基于信息感知图表征学习

    本研究基于信息感知的图表示学习，提出了一种多视角 MOOC 质量评估的方法，将 MOOC Heterogeneous Network 分解成可以描述课程多视角语义的多个单关系图，并利用互信息保留课程表示的有效性。在真实世界的 MOOC 数据集上进行广泛实验，证明了该方法的有效性。

    Jan, 2023

  • 跨图多关系联合学习

    该论文提出了一种新的跨图关系学习模型，将其建模为一个凸优化问题，通过使用标记和未标记元组进行传导学习，并提供了一个可扩展算法，保证了最优解，并且与输入图的规模成线性时间复杂度。

    May, 2016

  • SMGRL: 可扩展的多分辨率图表示学习

    我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架，通过学习多分辨率节点嵌入有效地捕获长和短距离依赖，并将其聚合以产生捕获高质量节点嵌入的优化算法，同时提高分类准确度，而不会产生高计算成本。

    Jan, 2022

  • 基于多模态图学习的疾病预测

    本研究提出了一种多模态图学习框架（MMGL）来预测疾病，该框架对每种模式的特征进行聚合，通过自适应图学习来捕获患者之间的内在联系，并在两个疾病预测任务上获得了更好的性能。

    Mar, 2022

  • 基于表示学习的图对齐（REGAL）

    REGAL 是一种基于节点表示学习的多网络对齐框架，其中的 xNetMF 是一种优雅和有原则性的节点嵌入公式，可以显着提高速度和准确度，该方法在学习阶段比其他方法快 30 倍，在准确度方面比现有的网络对齐方法高 20% 至 30% ，可扩展到具有数百万个节点的网络。

    Feb, 2018

  • TCGF：多视图表示学习的统一张量共识图框架

    本文提出了一种名为 Tensorized Consensus Graph Framework（TCGF）的通用多视图表示学习框架，旨在克服多视图学习领域中现有模型的局限性，融合多个视图的关键信息，提高泛化性能。实验证明，TCGF 在多个不同尺度的数据集上相比其他最先进的多视图学习方法具有更好的性能。

    Sep, 2023

  • 多视角表示学习调查

    本文介绍了多视图表示学习中的两个类别：多视图表示对齐和多视图表示融合，并从多个角度回顾了代表性的方法和理论，进而调查了多视图表示学习的发展。最终，探讨了多视图表示学习的几个重要应用，并旨在为研究人员提供深入的理论基础和最新的发展。

    Oct, 2016

  • 编程语言处理的多视角图形表示：算法检测研究

    本文提出了一种多视图图形编程表示方法，使用图形神经网络处理数据和控制流，并在此基础上评估了该方法在算法检测中的性能，结果表明这种方法比先前的方法表现得更好。

    Feb, 2022

  • 一致图的多视图图学习

    基于共识正则化的多视图图形学习方法，通过学习共识图表征视图的共同结构，优于现有方法，并应用于推断多个受试者的功能性脑连接网络。

    Jan, 2024