SIGIRDec, 2021

简单的图对比学习在推荐中是否需要图增强？

PDF
TL;DR本研究揭示了对比学习的推荐模型是通过学习更均匀分布的用户 / 物品表示隐含地减轻受欢迎程度偏见，并且建议一种可以平滑调整所学表示的均匀性的简单 CL 方法。
contrastive learningrecommendation systemsuser-item bipartite graphpopularity biasuniformity of learned representations
发现论文，激发创造
  • LightGCL: 简单而有效的图形对比学习用于推荐

    本文提出了一种新的图对比学习范式 LightGCL，基于奇异值分解对图的对比增强进行单一约束结构的调整，在推荐系统领域具有显著的性能优势和鲁棒性。

    Feb, 2023

  • 自适应增强的图形对比学习

    本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

    Oct, 2020

  • 推荐系统的图增强

    提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 GraphAug 模型相对于现有基线方法的卓越性能。

    Mar, 2024

  • 图形对比学习中的扩充：当前方法论缺陷和更好做法

    该论文介绍了使用对比学习（CL）进行无监督图表示学习的方法。作者通过探究使用域不可知图形扩充的高性能图像对比学习和 DAGAs 对图形对比学习的影响，提出了几个检查机制和设计任务感知扩充的策略，以提高模型的准确性。

    Nov, 2021

  • 图形对比学习与数据增强

    本研究提出了一种图形比较学习 (GraphCL) 框架，通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明，即使不使用复杂的 GNN 架构，GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。

    Oct, 2020

  • 混合监督图对比学习用于推荐

    本文提出了一种 Mixed Supervised Graph Contrastive Learning for Recommendation (MixSGCL) 方法，通过将推荐和无监督对比损失的训练整合为一个监督对比学习损失，解决了当前基于图对比学习的推荐系统中优化方向不一致的问题，并通过节点和边的混合使得系统能够从现有的用户 - 物品交互中挖掘更多的直接监督协同过滤信号，从而提高了准确性和效率。

    Apr, 2024

  • 社区不变的图形对比学习

    图社群在图增强中的关键性优势以及基于图谱变化最大化的社群不变图对拓扑和特征增强的统一约束，提高模型的鲁棒性。

    May, 2024

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 图形对比学习自动化

    本文提出了一个名为 JOint Augmentation Optimization（JOAO）的自动、适应性和动态的数据增强选择方法，该方法允许在特定的图形数据上执行图形对比学习（GraphCL），并证明该方法性能良好。

    Jun, 2021

  • 推荐的监督对比学习

    这篇论文提出一种名为 SCL 的学习范式，支持图卷积神经网络，同时加入了数据预处理过程中节点之间的相似度计算和节点复制的数据增强方法，经实验证明可以提高推荐准确度和抗干扰能力。

    Jan, 2022