Jun, 2023

基于邻域的硬负样本挖掘用于序列推荐

PDF
TL;DR本文提出一种基于图结构和邻域重叠的负采样方法，通过课程学习控制负例难度，有效地提升基于序列推荐模型的训练与预测性能。
negative samplingsequential recommendation modelsgraph-based negative samplingneighborhood overlapcurriculum learning
发现论文，激发创造
  • 基于最近邻的硬负样本训练时空图神经网络的鲁棒性训练

    通过替换均匀采样的负样本，我们提出了一种改进的基于重要性的负采样的 Tgnn 无监督学习方法，并在三个真实数据集上的实证评估中展示出其提供了一致的优秀性能。

    Feb, 2024

  • 神经多网络扩散推荐

    本文提出了一种基于图神经网络的社交推荐模型 NeMo，使用生成式负采样策略并利用正负用户 - 物品交互推广用户兴趣，提高了推荐泛化能力和准确度。实验证明，在各种真实世界的基准数据集上（例如在 NDCG@15 方面高达 38.8%）NeMo 的性能优于现有方法。

    Apr, 2023

  • 生成顺序推荐的负样本

    本文提出了 Generate Negative Samples (items) for SR (GenNi) 方法，使用当前 SR 模型中已学习的用户偏好在每个时间步骤采样负面项目，以提供高质量的负面样本，验证了其在四个公共数据集上的有效性和效率。

    Aug, 2022

  • 图表示学习中负采样的理解

    本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在 19 个实验设置中证明了其优越性。

    May, 2020

  • 异构图对比学习中的结构感知难例挖掘

    本文通过结构感知的硬负样本挖掘方案提出了一个基于自监督学习的对比学习方法，可以在少量标记数据的情况下提高异构图分析模型的准确性，并通过三个真实数据集的实证研究验证了该方法的有效性。

    Aug, 2021

  • 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

  • 缓解邻居偏差：通过结构等价正样本增强图自监督学习

    本文提出了一种基于拓扑信号驱动的自监督学习方法，通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用，解决了现有图神经网络中的邻近偏见问题，并在七个图数据集上的节点分类任务中有效提高了模型性能。

    Dec, 2022

  • 基于扩散的图网络负采样在链接预测中的应用

    该研究探索了多层次负采样的新策略，通过潜空间产生具有灵活和可控的 “难度” 级别的负节点，从而实现了有效的图链接预测。实验证明了该方法的有效性。

    Mar, 2024

  • 图神经网络的层间多样负采样

    图神经网络中的负采样方法通过采样矩阵和空间压缩技术改善了负样本的多样性，从而提升了学习性能。

    Mar, 2024

  • 基于图的协同过滤中的对比视图和难例抽样的随机抽样

    我们提出了一种新颖的随机抽样方法 SCONE，通过基于评分的生成模型生成动态增强视图和多样的困难负样本，以克服数据稀疏性和负采样等图协同过滤模型面临的挑战。在六个基准数据集上的全面评估中，我们的 SCONE 显著提高了推荐准确性和鲁棒性，证明了我们方法在现有 CF 模型上的优越性。此外，我们证明了针对用户稀疏性和物品热门度问题的用户 - 物品特定随机抽样方法的有效性。随机抽样和基于图的协同过滤的整合，在个性化推荐系统中取得了最先进的成果，实现了在信息丰富环境中的重要进展。

    May, 2024