Oct, 2023

面向拓扑感知的修正自监督图学习用于推荐

PDF
TL;DR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。
graph-based collaborative filteringgraph contrastive learningdata sparsitynegative sampling strategysemantic similarity
发现论文，激发创造
  • TDCGL: 两级去偏对比图学习用于推荐

    本研究提出了基于知识图谱的推荐方法存在对高质量知识图谱的过度依赖问题，并介绍了两级无偏对比图学习（TDCGL）模型，该模型通过引入对比学习和降噪方法，解决了实体分布不均和噪声问题，从而提高推荐模型的性能。

    Oct, 2023

  • 解耦对比协同过滤

    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

  • 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

  • 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

  • 混合监督图对比学习用于推荐

    本文提出了一种 Mixed Supervised Graph Contrastive Learning for Recommendation (MixSGCL) 方法，通过将推荐和无监督对比损失的训练整合为一个监督对比学习损失，解决了当前基于图对比学习的推荐系统中优化方向不一致的问题，并通过节点和边的混合使得系统能够从现有的用户 - 物品交互中挖掘更多的直接监督协同过滤信号，从而提高了准确性和效率。

    Apr, 2024

  • 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

  • 自监督图学习用于推荐

    本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。

    Oct, 2020

  • 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

  • 邻域增强的监督对比学习在协同过滤中的应用

    我们提出的 Neighborhood-Enhanced Supervised Contrastive Loss (NESCL) 模型在三个真实数据集上， Yelp2018、Gowalla 和 Amazon-Book，相较于原始的 SGL 模型，在 NDCG@20 上分别提升了 10.09%、7.09% 和 35.36%。

    Feb, 2024

  • 分层拓扑同构专业嵌入的图形对比学习

    通过引入知识蒸馏，我们提出了一种新颖的层次化拓扑同构专家嵌入图对比学习方法，用于增强 GCL 模型学习层次化拓扑同构专业知识，包括图层和子图层。与传统的 GCL 方法相比，我们的方法在贝叶斯分类错误上获得更紧的上界，并在真实世界基准测试中表现出了超越候选 GCL 方法的性能优势。

    Dec, 2023