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
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
基于图卷积网络,提出了深度对比图学习模型(DCGL),用于一般数据聚类。该模型通过建立伪孪生网络,将自编码器与图卷积网络相结合,强调图结构和原始特征,并引入特征级对比学习来增强判别能力,利用样本与质心之间的关系作为聚类导向指引。然后,设计了双分支图学习机制来提取局部和全局结构关系,并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明,DCGL 相对于现有算法具有优越性。
Feb, 2024
我们提出了一种新颖的长尾增强图对比学习(LAGCL)方法,通过引入可学习的长尾增强方法来增强尾节点,并基于增强的图生成对比视图,显著改善了推荐系统的性能。
Sep, 2023
本文研究了在深度候选生成(DCG)中使用对比学习的有效性,理论证明了对比损失函数等效于通过逆倾向加权来减少暴露偏差,并提出了 CLRec 和 Multi-CLRec 方法用于改善大规模推荐系统的公平性、效率和准确性。该方法在淘宝上的四个月在线 A/B 测试和离线分析中表现出显著的改善,包括 Matthew 效应的显著降低。
May, 2020
本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架,通过自我监督学习进行自适应增强,实现目的的解耦和噪声抑制,将学习到的解耦表示与全局上下文结合,相比于现有的解决方案,具有更好的性能表现。
May, 2023
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
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
本文提出了一种名为双视角跨图对比学习(DC-GCL)的创新框架,通过增强正样本多样性和可靠性,提供了更多样化和可靠的训练输入,相较于传统的图对比学习方法,DC-GCL 能够在各种基准测试和任务中显著提高性能。
Jun, 2024
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