Jul, 2023

电子商务套餐推荐中的高斯图与典型对比学习

PDF
TL;DR本文提出了一种利用高斯图与原型对比学习（GPCL）框架来解决捆绑推荐中的不确定性和采样偏倚问题的方法，并在公共数据集上取得了最新的最佳性能。
bundle recommendationcontrastive graph learninguncertainty issuesampling bias issuegaussian graph with prototypical contrastive learning
发现论文，激发创造
  • LightGCL: 简单而有效的图形对比学习用于推荐

    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

  • 面向推荐的双边不对称图对比学习

    提出了一种名为 Bilateral Unsymmetrical Graph Contrastive Learning（BusGCL）的新框架，该框架考虑了用户 - 物品节点关系密度的双侧不对称性，通过双侧切片对比训练更好地推理用户和物品图，并使用超图卷积网络（GCN）生成的嵌入来挖掘隐含相似性，该方法在推荐任务中表现出优越性。

    Mar, 2024

  • 基于图卷积网络的捆绑推荐

    本研究提出了一种名为 BGCN 的图神经网络模型，可以使用异构图同时建模用户 - 项目交互，用户 - 套餐交互和套餐 - 项目关联，通过固定负样本采样进行训练，能够更好地区分用户对相似套餐的喜好，并且在两个真实世界数据集上展现了强大性能的提升

    May, 2020

  • 邻域增强对比学习优化图协同过滤

    本文提出一种名为邻域增强对比学习（Neighborhood-enriched Contrastive Learning，简称 NCL）的方法，将邻居嵌入到对比对中，以实现在图协同过滤方法中减少数据稀疏性的效果，并在五个公共数据集上进行广泛的实验证明了该方法的有效性，尤其在 Yelp 和 Amazon-book 数据集上分别获得了 26％和 17％的性能提升。

    Feb, 2022

  • 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

  • 图形对比学习的实证研究

    本文提出了一种利用 Graph Contrastive Learning 无人工标注学习图形表示的新范式，并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验，研究不同的 GCL 组件之间的相互作用，得出了一套有效 GCL 的一般特性与实现技巧。

    Sep, 2021

  • 推荐系统中的原型对比学习：通过对齐和一致性实现

    通过在潜在空间中提出原型 (簇中心) 作为多样性图形的不同扩充的一致性基准，我们介绍了一种名为 ProtoAU 的推荐方法，它通过排序和保持用户和项目的原型的一致性以及统一性来解决了图对比学习中的采样偏差问题。

    Feb, 2024

  • 推荐系统的图增强

    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

  • 推荐的监督对比学习

    这篇论文提出一种名为 SCL 的学习范式，支持图卷积神经网络，同时加入了数据预处理过程中节点之间的相似度计算和节点复制的数据增强方法，经实验证明可以提高推荐准确度和抗干扰能力。

    Jan, 2022

  • TopoGCL: 拓扑图对比学习

    图对比学习在图神经网络的强大优势下充分利用丰富的无标签信息来学习图的特征表示，然而现有的方法忽视了高阶图子结构的重要潜在信息，本研究通过引入拓扑不变性和扩展持久性的概念来解决这个限制，提出了一种新的对比学习模式并引入了扩展持久性景观，实验结果表明 TopoGCL 模型在无监督图分类中取得了显著的性能提升。

    Jun, 2024