HRCF:通过双曲几何正则化增强协同过滤
本研究探讨了在超几何空间内,哪些用户产品可以有效推荐,设计了一种新的学习方法 HICF,针对尾部和头部物品推荐效果不佳的问题,通过改进超几何边际排序学习的过程,提供信息指导来明确推荐目标,并在大量实验中验证了该方法的有效性。
Jul, 2022
该论文提出了一种基于全空间双曲几何的图卷积网络模型,以更准确地捕捉用户 - 项目的交互关系,并在公共基准数据集上实验表明其性能优于欧几里得空间和双曲空间的对应方法,且达到可比较的性能只需要更低的嵌入维度。
Aug, 2021
本文提供了关于在推荐系统中应该在什么情况下使用超半径空间和超半径嵌入的理论分析和实证结果,包括何种类型的模型和数据集更适合于超半径空间,以及选择哪个潜在空间大小,同时提出了一种名为 SCML 和其超半径版本 HSCML 的新的基于度量学习的推荐方法,并在不同的潜在空间模型中,包括通用项目推荐领域和社交推荐领域,以及 6 个广泛使用的数据集和不同的潜在空间大小上比较欧几里得空间和超半径空间的性能,通过将 HSCML 与其他基线方法进行比较,展示了超半径空间的最新性能。
May, 2021
本文通过研究在非欧几里得空间中学习用户和项目表示的概念,探讨了超宇称空间中度量学习和协同过滤之间的联系,旨在通过度量学习方法填补欧几里得和双曲几何之间的差距。作者提出了概念简单但高效的 HyperML(超宇称度量学习)模型,通过一系列广泛的实验,证明了该模型不仅优于欧几里得模型,还实现了多个基准数据集的最佳表现,展示了双曲几何中个性化推荐的有效性。
Sep, 2018
本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN),它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示,并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明,HGCN 学习到的嵌入保留了分层结构,并且与欧几里得模型相比,即使具有非常低的维度嵌入,也能获得更好的性能:在链路预测中,ROC AUC 误差降低最多为 63.1%,在节点分类中,F1 score 提高最多为 47.5%,也改善了 Pubmed 数据集的最新技术水平。
Oct, 2019
我们提出了一个大规模的双曲线推荐系统,使用双曲几何作为基础几何模型可以显著提高推荐效果,并通过使用 Einstein 中间点等策略,实现了对数百万用户和数十万物品的大规模推荐。
Feb, 2019
介绍了基于超伽马空间表示的图形学习的前沿技术,并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节,同时讨论了超伽马几何图形表示学习的进阶主题。
Nov, 2022
通过将 M"obius gyrovector 空间的形式主义与 Poincarе模型的 Riemannian 几何相结合,我们提出了重要深度学习工具的超几何版本:多项式逻辑回归、前馈和循环神经网络。这样可以在超几何空间中嵌入序列数据并进行分类。实验证明,即使超几何优化工具受限,超几何句子嵌入在文本蕴含和噪声前缀识别任务中的表现要么优于,要么与欧几里得变体相当。
May, 2018
本文介绍了一种利用超几何空间的嵌入方法提高图数据的建模效率和性能的新算法,以及如何通过 Laplace 算子的本征函数来逼近超几何空间中的等度不变核,从而更好地实现了超几何网络的建模。
Feb, 2022
本文提出了一种名为 “超宾说外显”(HIE)的方法,通过使用节点到原点的超宾距离(即超宾范数)推导出的无成本分层信息来改进现有的超宾表示方法,并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。
Jun, 2023