Apr, 2024

混合监督图对比学习用于推荐

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • GraphCL: 对图形表示的对比自监督学习

    本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。

    Jul, 2020

  • 基于子图网络的对比学习

    本文提出了一种名为基于子图网络的对比学习的新框架，用于挖掘子结构与图表征之间的相互作用，可提高图像的非监督和迁移学习性能。

    Jun, 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

  • 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

  • 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

  • 利用图形对比学习增强序列推荐

    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

  • 平滑图对比学习中的无缝相似性融合

    本文介绍了一种平滑图对比学习模型（SGCL），它利用了扩充图的几何结构来在对比损失中注入与正负节点对相关的接近信息，从而显著规范化学习过程，并通过针对负样本的三种不同平滑技术调整对比损失中节点对的惩罚，以提高在大规模图上的可扩展性，通过在各种基准测试中的大量实验证明了该框架相对于最近的基准方法的优越性。

    Feb, 2024