WWWMay, 2023

在共同演化的 Riemann 流形上进行顺序交互网络表示学习

PDF
TL;DR本文提出了一种名为 SINCERE 的新方法，通过在共同进化的 Riemann 流形上表示序列交互网络，不仅考虑了各自空间中用户和项目嵌入轨迹，还强调了曲率随时间的演变。
sequential interaction networkssincere methodriemannian manifoldscurvature evolutionsequential interaction prediction
发现论文，激发创造
  • 同步演化黎曼空间上的对比顺序交互网络学习

    我们提出了一种在协同演化黎曼空间中学习顺序交互网络的对比模型 CSINCERE，通过跨不同黎曼几何的表示空间进行信息传递的交叉空间聚合，并基于黎曼曲率设计了神经曲率估计器来建模空间的演化，通过重新加权的顺序网络时间视图之间的对比来进行交互预测而无需标签。在 5 个公共数据集上的实证结果表明，CSINCERE 相对于现有方法具有明显的优越性。

    Jan, 2024

  • 序列推荐的稀疏兴趣网络

    本文提出了一种名为 Sparse Interest Network（SINE）的方法，该方法使用 sparse-interest 模块自适应地为每个用户推断出一个稀疏的概念集，并相应地输出多个嵌入，以明确建模多个兴趣点用于下一个项目的推荐。

    Feb, 2021

  • SINCERE: 监督信息噪声对比估计再探讨

    通过改进 InfoNCE 的 Supervised InfoNCE REvisited（SINCERE）损失函数，我们提出了一种理论上合理的自监督深度学习方法，可以有效防止同类图像在嵌入空间中互相排斥，从而提高预训练过程中的类别嵌入分离性和最终线性分类器的性能。

    Sep, 2023

  • 可扩展的不完整网络嵌入

    本研究提出了一种基于概率学习框架的可伸缩的不完整网络嵌入算法，该算法能够单独建模节点上下文和节点属性的关系，增强使用有用信息和抵御缺失信息对表示学习的负面影响，且可应用在包含数百万节点 / 边和高维节点特征的大规模网络中。

    Oct, 2018

  • 基于 Poincaré 异质图神经网络的序列推荐

    本文提出了一种名为 PHGR 的 Poincaré 异构图神经网络，用于同时建模顺序模式信息和 SR 场景数据中包含的层次信息。 PHGR 通过定义新的双曲内积运算符，直接在 Poincaré 球中进行全局和局部图表示学习，而不是在 Poincaré 球和欧几里得空间之间的常用投影操作，从而缓解了普通双向平移过程的累积误差问题。实证评估表明，PHGR 优于几种比较方法。

    May, 2022

  • 用球谐和正弦表示网络进行地理位置编码

    地理空间特征表示对于集成地理定位数据的任何机器学习模型都是至关重要的，本研究提出了一种新的全球分布地理数据的位置编码器，结合球面调和基函数和正弦网络表示网络 (SirenNets)，以学习双傅立叶球嵌入。

    Oct, 2023

  • DyERNIE: Riemann 流形嵌入的动态演化，用于时间知识图谱补全

    Dy-ERNIE proposes a non-Euclidean embedding approach that learns evolving entity representations on a product of Riemannian manifolds to better reflect the geometric structures of temporal knowledge graphs, resulting in improved performance on temporal knowledge graph completion tasks.

    Nov, 2020

  • 学习对称嵌入以实现等变世界模型

    利用学习对称嵌入网络（SENs）的方法能够促进等变网络应用于具有复杂对称性表示的数据，并可能相对于全等变和非等变基线产生精度和泛化方面的改进。

    Apr, 2022

  • 稀疏辛合成神经网络

    利用稀疏回归方法，结合四阶辛普森积分法实现了对哈密顿动力学系统的建模，能够在数据有限噪声较大的情况下较好地预测和求出系统规律。

    Jun, 2020

  • 使用具备统计信息的神经网络学习随机动态

    本文提出了名为 SINN 的机器学习框架，可以从数据中学习随机动力学，并演示了其在粗粒化问题和过渡动力学建模方面的应用及其在罕见事件模拟方面的适用性。

    Feb, 2022