关于知识增强推荐的对比视角之甜蜜点
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
本文提出了一种新的多层交叉视角对比学习机制 MCCLK,包含三个图视角:全局结构视角、本地合作和语义视角,在语义视角中,还提出了一个 k 最近邻(kNN)项 - 项语义图构建模块,以捕捉通常被忽略的重要项 - 项语义关系,在三个基准数据集上进行了广泛的实验,结果表明了我们的方法优于现有技术。
Apr, 2022
本文旨在在推荐系统中将知识图谱引入,特别考虑了不完整的知识图谱,并通过关系传递实现对用户偏好的理解,提高了推荐性能。通过联合训练建议模型和知识图谱完成模型,综合多个迁移模式,表现出卓越的性能
Feb, 2019
通过引入知识图谱的图卷积神经网络模型加入历史交互数据,再通过协作引导机制提取知识图谱信息实现个性化推荐,实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。
Sep, 2021
我们提出了一种混合多任务学习方法,通过对描述性文本进行基于物品的对比学习,从而更好地理解知识图谱中的实体关系,提供更准确、相关、多样化的用户推荐,特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验,验证了我们方法的有效性,并且结果表明基于物品的对比学习提高了实体嵌入的质量。
Mar, 2024
本文提出了一种基于节点的对比学习方法 NC-KGE,通过在知识图谱上构建适当的对比节点对来提升嵌入和加速训练收敛,并通过加入关系感知注意机制对生物医药关系预测任务进行了改进,实验证明 NC-KGE 在公共数据集和生物医药数据集上具有竞争力并且在预测药物组合关系方面优于其他模型。
Oct, 2023
本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向,重点讨论了核心组件 —— 图嵌入模块,以及它们如何解决实际推荐问题,例如规模扩展,冷启动等,并总结了常用的基准数据集、评估指标和开源代码。
Mar, 2020
本文介绍了一种基于关系对称结构的知识图谱对比学习框架 KGE-SymCL,通过设计可插拔的方法将关系对称位置中的实体作为正样本用于对比学习,同时使用自监督对齐损失来使构建的样本对更加相似,实验结果表明该框架具有很好的泛化能力和优越性。
Nov, 2022
在金融服务领域,应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章,促进客户关系、客户参与及推动客户做出明智的金融决策,并发掘了结构化数据和非结构化数据的潜在价值。
Jul, 2023