SIGIRMay, 2022

知识图谱对比学习用于推荐

PDF
TL;DR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。
knowledge graphrecommendation systemsinformation noisecontrastive learningsupervision signals
发现论文，激发创造
  • 基于多层交叉视图对比学习的知识感知推荐系统

    本文提出了一种新的多层交叉视角对比学习机制 MCCLK，包含三个图视角：全局结构视角、本地合作和语义视角，在语义视角中，还提出了一个 k 最近邻（kNN）项 - 项语义图构建模块，以捕捉通常被忽略的重要项 - 项语义关系，在三个基准数据集上进行了广泛的实验，结果表明了我们的方法优于现有技术。

    Apr, 2022

  • 多层交互对比学习在知识感知推荐中的应用

    本文提出了一种基于对比学习的知识感知推荐模型，结合了本地和非本地的知识图谱，并采用层级交互对比学习来提高推荐性能。

    Aug, 2022

  • 关于知识增强推荐的对比视角之甜蜜点

    提出一种新的用于增强推荐系统的对比学习框架，通过构建两个独立的对比视图，最大化它们的相互信息，并以单向方式将知识图谱信息融入到用户 - 物品交互图中，实验证明该方法相比现有技术具有更好的效果和效率。

    Sep, 2023

  • 基于关系对称性的知识图谱对比学习

    本文介绍了一种基于关系对称结构的知识图谱对比学习框架 KGE-SymCL，通过设计可插拔的方法将关系对称位置中的实体作为正样本用于对比学习，同时使用自监督对齐损失来使构建的样本对更加相似，实验结果表明该框架具有很好的泛化能力和优越性。

    Nov, 2022

  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

    Feb, 2019

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 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

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

    Sep, 2021

  • 医疗关系预测的基于节点的知识图对比学习

    本文提出了一种基于节点的对比学习方法 NC-KGE，通过在知识图谱上构建适当的对比节点对来提升嵌入和加速训练收敛，并通过加入关系感知注意机制对生物医药关系预测任务进行了改进，实验证明 NC-KGE 在公共数据集和生物医药数据集上具有竞争力并且在预测药物组合关系方面优于其他模型。

    Oct, 2023

  • 使用三元对比学习缓解开放知识图谱的稀疏性

    本文提出了一种基于三元传播模式的对比学习框架 TernaryCL，该框架结合了多种方法以解决在 OpenKGs 中出现的零样本、少样本和同义词问题，并证明了其在基准测试中的优越性。

    Nov, 2022