面向推荐的双边不对称图对比学习
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
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
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
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
该文提出了一种新的推荐框架,名为序列推荐的图对比学习(GCL4SR),它使用一种称为加权项目转换图 (WITG)的模型,建立在所有用户的交互序列上,通过使用 WITG 子图来增强每个交互序列的表示和最大化同一交互序列引导的增强表示之间的一致性,最小化 WITG 全局上下文引导的增强表示和原始序列本地表示之间的差异,并在真实世界数据集上展示显着优于现有方法的性能。
May, 2022
本文提出了一种新颖的对比多层图神经网络方法(CM-GNN)来更好地利用复杂和高阶的物品转换信息,并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明,所提出的方法优于现有的会话推荐技术。
Nov, 2023
本文提出了一种新的图形无监督学习方法,名为 Graph Soft-Contrastive Learning (GSCL),它能够通过邻域排序进行自我监督学习,而无需依赖于二元对比设置,并且还提出了 GSCL 所需的成对和列表式门控排名 infoNCE 损失函数,以保留邻域中的相对排序关系。
Sep, 2022
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
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