May, 2024

基于图的协同过滤中的对比视图和难例抽样的随机抽样

PDF
TL;DR我们提出了一种新颖的随机抽样方法 SCONE，通过基于评分的生成模型生成动态增强视图和多样的困难负样本，以克服数据稀疏性和负采样等图协同过滤模型面临的挑战。在六个基准数据集上的全面评估中，我们的 SCONE 显著提高了推荐准确性和鲁棒性，证明了我们方法在现有 CF 模型上的优越性。此外，我们证明了针对用户稀疏性和物品热门度问题的用户 - 物品特定随机抽样方法的有效性。随机抽样和基于图的协同过滤的整合，在个性化推荐系统中取得了最先进的成果，实现了在信息丰富环境中的重要进展。
发现论文，激发创造
  • 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

  • 为图对比学习生成反事实难负样本

    提出了一种基于对抗样本生成机制的无监督图学习方法 CGC，它能够让模型获取高质量的正负样本对，避免了传统无监督学习方法中出现的 False Negative 问题，其在多个数据集上与传统无监督学习方法和一些 SOTA 图对比学习方法相比实现了令人满意的结果。

    Jul, 2022

  • 神经网络协同过滤的采样策略

    本论文提出了一种基于神经网络的推荐框架，该框架可以包含用户 - 物品交互信息和多种内容信息，提出了三种新的采样策略来改善框架的训练效率和推荐性能，并对计算成本和收敛性进行了理论分析。

    Jun, 2017

  • 图表示学习中负采样的理解

    本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在 19 个实验设置中证明了其优越性。

    May, 2020

  • 超图对比协作过滤

    提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

    Apr, 2022

  • SimpleX：协同过滤的简单而强大的基准模型

    通过对 11 个基准数据集进行广泛的实验，本研究体现了损失函数以及负采样比率的重要性， 并进一步将余弦对比损失函数用于一个简单的统一协同过滤模型 SimpleX 中， 结果表明，在 CCL 损失和大负采样比率下，SimpleX 可以大幅度超越大多数当前最先进的模型。

    Sep, 2021

  • SelfCF: 自监督协同过滤的简单框架

    本文提出了一种自监督的协同过滤框架 (SelfCF)，能够用于隐式反馈的推荐场景，该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型，通过三种输出扰动技术来增强骨干网络生成的嵌入，尽管不区分背骨模型，但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性，训练速度为 2×-4×，平均能提升 17.79％与自我监督框架 BUIR 相比。

    Jul, 2021

  • 基于邻域的硬负样本挖掘用于序列推荐

    本文提出一种基于图结构和邻域重叠的负采样方法，通过课程学习控制负例难度，有效地提升基于序列推荐模型的训练与预测性能。

    Jun, 2023

  • 协同过滤中针对困难负样本的维度无关混合

    本文提出了一种基于采样区域的负采样方法：DINS，与现有的采样方法有所不同，DINS 的三个模块分别是难负样本界定，维度无关混合和多跳池化，实验表明 DINS 优于其他采样方法，成为一种实现最佳性能的负采样方法。

    Jun, 2023

  • 条件负采样用于视觉表征对比学习

    本文中介绍了一种新的图像对比学习方法，该方法采用有条件的负采样策略来优化互信息估计，与传统的噪声对比估计相比，该方法在多个标准数据集上都获得了 2-5% 的准确度提升，并且在物体检测、实例分割、关键点检测等下游任务中也获得了更好的性能表现。

    Oct, 2020