解耦对比协同过滤
该研究提出了一种基于图模型的新方法 ——Disentangled Graph Collaborative Filtering(DGCF),用于在用户意图的更细粒度的层次上进行用户 - 物品关系建模和表示学习,以解决现有协同过滤方法中用户兴趣多样性建模的问题,并实现优于几种最先进的模型的结果。
Jul, 2020
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
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
我们提出了一种新颖的对比学习方法,叫做反应扩散图对比学习模型 (RDGCL),用于改进推荐系统的准确度和多样性。我们的方法结合了对比学习、图卷积网络和协同过滤技术,通过设计我们自己的图卷积网络以及扩散和反应方程,在推荐系统中实现了反应和扩散嵌入之间的对比学习,从而不需要图数据增强。在 6 个基准数据集上的实验评估表明,我们的方法优于目前最先进的基于对比学习的推荐模型。
Dec, 2023
研究了协同过滤方法中用户和商品之间的图模型,提出了一种新的多组件图卷积协同过滤算法 (MCCF),旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块,设计了一种新的方式以获得对用户消费行为的高精度预测,实验结果表明,该算法不仅在三个真实数据集上表现优异,而且还证明了考虑多个组件的必要性。
Nov, 2019
本文提出了一种名为 DDCF 的双重分离协作过滤方法,通过分离意图和偏好的影响因素,构建独立的偏好表示,以提高个性化推荐性能的鲁棒性和可解释性。实验表明,DDCF 显著提高了性能和解释能力。
May, 2023
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
该研究探讨了基于马尔可夫过程的距离学习统一框架下的 Markov Graph Diffusion Collaborative Filtering (MGDCF) 文本的关键词,该文献讨论了协同过滤、图神经网络、距离学习、马尔可夫过程与推荐系统等主题。
Apr, 2022
本研究提出了一种新颖的解缠式对比学习框架,名为 DcRec,该框架可以从物品和社交领域中学习解缠式用户表示,并在社交推荐中进行知识转移。实验证明,该模型在各种真实世界数据集上具有优越性。
Aug, 2022