Feb, 2022

邻域增强对比学习优化图协同过滤

PDF
TL;DR本文提出一种名为邻域增强对比学习（Neighborhood-enriched Contrastive Learning，简称 NCL）的方法，将邻居嵌入到对比对中，以实现在图协同过滤方法中减少数据稀疏性的效果，并在五个公共数据集上进行广泛的实验证明了该方法的有效性，尤其在 Yelp 和 Amazon-book 数据集上分别获得了 26％和 17％的性能提升。
发现论文，激发创造
  • 邻域增强的监督对比学习在协同过滤中的应用

    我们提出的 Neighborhood-Enhanced Supervised Contrastive Loss (NESCL) 模型在三个真实数据集上， Yelp2018、Gowalla 和 Amazon-Book，相较于原始的 SGL 模型，在 NDCG@20 上分别提升了 10.09%、7.09% 和 35.36%。

    Feb, 2024

  • 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

  • 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

  • 基于邻域排序的图像软对比学习

    本文提出了一种新的图形无监督学习方法，名为 Graph Soft-Contrastive Learning (GSCL)，它能够通过邻域排序进行自我监督学习，而无需依赖于二元对比设置，并且还提出了 GSCL 所需的成对和列表式门控排名 infoNCE 损失函数，以保留邻域中的相对排序关系。

    Sep, 2022

  • 解耦对比协同过滤

    本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

    May, 2023

  • 利用引用嵌入的邻域对比学习科学文献表征

    本文提出了一种通过对比学习来改善科学文档表示的方法 —— 使用引文图嵌入进行所控制的最近邻抽样来学习连续的相似度，内容主要涉及对比学习、科学文档表示、引文图嵌入、相似度语义以及相关研究。

    Feb, 2022

  • 简单的图对比学习在推荐中是否需要图增强？

    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。

    Dec, 2021

  • 神经图协同过滤

    本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

    May, 2019

  • 超图对比协作过滤

    提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

    Apr, 2022

  • 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