基于图的模型无关数据子采样算法在推荐系统中的应用

KDDMay, 2023

基于图的模型无关数据子采样算法在推荐系统中的应用

Graph-Based Model-Agnostic Data Subsampling for Recommendation Systems

Xiaohui Chen, Jiankai Sun, Taiqing Wang, Ruocheng Guo, Li-Ping Liu...

TL;DR通过研究用户 - 项目图的拓扑结构，利用图电导估计每个用户 - 项目交互的重要性并进行网路传播，避免了模型误设（misspecified）对模型基础数据子采样方法的恶化，该方法在 KuaiRec 和 MIND 数据集上的实验结果证明了其相对于基准方法具有更优的性能。

Abstract

data subsampling is widely used to speed up the training of large-scale recommendation systems. Most subsampling methods are model-based and often require a pre-trained pilot model to measure data importance via

data subsampling recommendation systems graph topology model-agnostic experimental results

发现论文，激发创造

基于模型的知识图谱补全方法

模型为基础的子采样 (MBS) 和混合子采样 (MIX) 方法通过知识图谱嵌入模型的预测来估计出现概率，改善了知识图谱嵌入中过拟合问题。

Sep, 2023

无模型增强的图分类准确性提升

本研究提出了两种模型无关的图形数据增强方法 NodeSam 和 SubMix，以优化图形分类任务的性能。我们实验结果表明 NodeSam 和 SubMix 在社交网络和分子图中的表现优于现有方法。

Feb, 2022

神经网络协同过滤的采样策略

本论文提出了一种基于神经网络的推荐框架，该框架可以包含用户 - 物品交互信息和多种内容信息，提出了三种新的采样策略来改善框架的训练效率和推荐性能，并对计算成本和收敛性进行了理论分析。

Jun, 2017

面向拓扑感知的修正自监督图学习用于推荐

推荐算法中的图协同过滤方法通过引入图对比学习 (GCL) 来缓解数据稀疏性，然而这些基于 GCL 的协同过滤模型中的随机负采样策略忽略了用户（物品）的语义结构，从而引入了假阴性且忽略了潜在的正样本。为解决上述问题，我们提出了一种面向推荐的拓扑感知去偏自监督图学习 (TDSGL) 方法，根据用户（物品）间的语义相似性构建对比对。实验结果表明，所提出的模型在三个公开数据集上显著优于现有模型。

Oct, 2023

Less Is Better: 通过影响函数进行无权数据子采样

本研究提出了一种新的非加权数据子采样（UIDS）方法，并证明通过我们的方法获取的子集模型可以优于完整集模型。同时，我们开发了一种概率取样方案，以控制接近经验分布的所有分布的最坏情况风险，实验结果证明了我们方法在文本分类，图像分类，点击率预测等各种任务中优于现有的子采样方法。

Dec, 2019

数据驱动节点采样强化 GraphSAGE

本文提出了一种新的基于数据驱动采样策略，通过非线性回归来确定一个邻域的实值重要性，并使用该值作为采样标准，实验表明基于值的强化学习方法能够提高 GraphSAGE 的性能。

Apr, 2019

分析 GNN 中采样对个体公平性的影响

使用小批量训练图神经网络的现有方法提高个体公平性，这对于在推荐系统中应用 GNN 具有重要意义。使用两种 GNN 方法进行评估，证明了利用小批量训练的图神经网络能够实现不仅相当的准确度，而且还能达到更好的公平性，其重要性在于利用局部细节来指导表示学习中的公平性促进过程。

Sep, 2022

强化知识图谱中的负采样用于推荐

本研究通过建立一种基于知识图谱的负采样模型，使用增强学习算法在用户互动中导航生成高质量的负样本，设计和验证了适用于推荐系统的负样本生成策略，并在测试中获得了显著的性能改进。

Mar, 2020

高效估计大型网络的基序统计量

本文提出了一种基于抽样的算法，有效地从大规模网络中准确估算子图统计量，并展示实验结果表明其能更加快速地完成与现行技术相同准确度的查询量（样本量）

Jun, 2013

克服群组推荐中的数据稀疏问题

本文提出了一种名为 CAGR（Centrality Aware Group Recommender）的新型端到端组推荐系统，该系统采用双向图嵌入模型（BGEM）、自我注意机制和图卷积网络（GCN）作为基本构建块，从数据中学习群组和用户的表示方法，以克服组决策制定的真实和复杂过程，特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明 CAGR 的优越性。

Oct, 2020