推荐系统中的原型对比学习:通过对齐和一致性实现
本文引入 PAUC 方法来学习基于原型的对比表示,以优化下游任务中需要强语义信息的有意义的表示。在各个基准测试中,实验结果证明了我们的方法在提高对比原型表示的质量方面的有效性,并在 ImageNet-100 数据集上将分类下游任务的性能提高了 2.96%,在 ImageNet-1K 数据集上提高了 2.46%。
Oct, 2022
基于协同过滤的推荐系统依赖于准确预测用户和物品的偏好的学习表示。本文提出了一种新的方法,基于图的对齐和均匀性(GraphAU),通过显式考虑用户 - 物品双部图中的高阶关联性来解决稀疏性问题。在四个数据集上的实验证明,GraphAU 显著缓解了稀疏性问题并取得了最先进的性能。
Aug, 2023
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
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
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
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