LightGCL: 简单而有效的图形对比学习用于推荐
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
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
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
本文提出了一种利用 Graph Contrastive Learning 无人工标注学习图形表示的新范式,并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验,研究不同的 GCL 组件之间的相互作用,得出了一套有效 GCL 的一般特性与实现技巧。
Sep, 2021
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
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
本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL,用于在无监督情况下学习表达具有全局结构和语义的节点特征,通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比,S^3-CL 在不同的下游任务上可以获得优异的表现。
Feb, 2022
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
通过引入生成对抗网络(GAN)以学习图的视图分布,GACN 是一个新颖的生成对抗性对比学习网络,用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图,并且优于十二种最先进的基准方法。值得注意的是,我们提出的 GACN 出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。
Aug, 2023
本文提出了一种基于对抗性图增强策略的自监督学习框架 adversarial-GCL,解决了传统图对比学习方法捕获冗余图特征的问题,实验证明该方法在无监督、迁移和半监督学习任务中均可达到较好的性能。
Jun, 2021