层次和对比表示学习应用于知识感知推荐

Apr, 2023

层次和对比表示学习应用于知识感知推荐

Hierarchical and Contrastive Representation Learning for Knowledge-aware Recommendation

Bingchao Wu, Yangyuxuan Kang, Daoguang Zan, Bei Guan, Yongji Wang

TL;DR提出了一种面向知识感知推荐的层次化和对比的表示学习框架 HiCON，其中包括层次化消息聚合机制和跨序对比学习，实验表明 HiCON 对现有方法具有显着的优势。

Abstract

Incorporating knowledge graph into recommendation is an effective way to alleviate data sparsity. Most existing knowledge-aware methods usually perform recursive embedding propagation by enumerating graph neighbo

knowledge graph recommendation representation learning hierarchical message aggregation contrastive learning

发现论文，激发创造

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

个性化推荐的分层关注知识图谱嵌入

本文提出了一种新的分层注意力知识图嵌入框架（HAKG），用于捕捉用户偏好，并在缓解数据稀疏性问题方面表现出优越性。

Oct, 2019

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

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

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

面向新闻推荐的图增强表示学习

该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

Mar, 2020

跳跃知识网络的图形表示学习

该论文探究在图上实现深度学习表示学习的过程，提出了一种新型架构 - jumping knowledge networks（JK 网络），使每个节点可以利用不同的邻居范围以获得更好的结构感知表示，实现了最先进性能。同时，将 JK 框架与 Graph Convolutional Networks、GraphSAGE 和 Graph Attention Networks 等模型相结合，进一步提高了这些模型的性能。

Jun, 2018

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

异构图上层次表示学习的跨语言引文建议

本研究提出了一种新颖的方案，通过异构图上的分层表示学习来进行跨语言引用推荐，可以优化出在图上定位重要的跨语言邻域的概率，实验结果显示该方法不仅可以超越现有的基线模型，而且可以提高跨语言引用推荐任务的表现。

Dec, 2018

通过动态图知识聚合增强对话生成

本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

Jun, 2023