Dec, 2023

RDGCL：反应扩散图对比学习用于推荐

PDF
TL;DR我们提出了一种新颖的对比学习方法，叫做反应扩散图对比学习模型 (RDGCL)，用于改进推荐系统的准确度和多样性。我们的方法结合了对比学习、图卷积网络和协同过滤技术，通过设计我们自己的图卷积网络以及扩散和反应方程，在推荐系统中实现了反应和扩散嵌入之间的对比学习，从而不需要图数据增强。在 6 个基准数据集上的实验评估表明，我们的方法优于目前最先进的基于对比学习的推荐模型。
contrastive learningrecommender systemsgraph convolutional networkcollaborative filteringreaction-diffusion graph contrastive learning model
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

  • 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

  • RecDCL：双重对比学习推荐

    通过利用自我监督的推荐算法，本文提出了一种名为 RecDCL 的方法，它采用对比学习，解决了数据稀疏性和特征维度的问题，并在推荐任务中取得了优于现有模型的效果。

    Jan, 2024

  • 深度对比图学习与聚类导向引导

    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

  • 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

  • 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

  • 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

  • 增强型长尾图对比学习推荐

    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

  • 简单的图对比学习在推荐中是否需要图增强？

    本研究揭示了对比学习的推荐模型是通过学习更均匀分布的用户 / 物品表示隐含地减轻受欢迎程度偏见，并且建议一种可以平滑调整所学表示的均匀性的简单 CL 方法。

    Dec, 2021

  • SocialGCN：一种基于图卷积网络的高效社交推荐模型

    本文提出了一种基于图卷积神经网络的社交推荐模型，通过捕捉信息在社交网络中的扩散进程来影响用户偏好，使得模型在两个真实数据集上展现出了很好的性能。

    Nov, 2018