【论文笔记】2020-SIGIR-DGCF Disentangled Graph Collaborative Filtering 对用户实际意图进行分解

最新推荐文章于 2024-11-19 16:22:10 发布
最新推荐文章于 2024-11-19 16:22:10 发布
阅读量1.4k 收藏 8
点赞数 5
分类专栏： 论文 文章标签： 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SeanChau/article/details/108768539
版权
这篇笔记详细解析了2020年SIGIR会议上发表的DGCF论文，该研究利用图神经网络对用户意图进行分解，以实现更精准的推荐过滤。作者分享了学习过程，并邀请读者交流讨论。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文只是个人学习的笔记，不做商用，如果有涉及侵权问题，请联系我删除，谢谢。

最低0.47元/天 解锁文章
DGCF:Disentangled Graph Collaborative Filtering论文及代码
zhao254014的博客
10-27 1772
利用图解缠结模块迭代地细化意图感知交互图和阶乘表示。我们进一步引入了独立建模模块以鼓励分离。推荐的有效性、用户意图的分离以及析因表示的可解释性。
2020-SIGIR-Disentangled Graph Collaborative Filtering
Dive的博客
03-22 459
DGCF Abstract CF演化，从单一的用户-物品交互演化到使用整个交互图来学习表示。这些方法都是uniform方法，忽略了用户采取物品时意图的多样性。本文提出DGCF，分离意图因素，产生解耦表示。 1 INTRODUCTION DGCF，在用户意图上解耦用户和物品的表示。 首先将每一个用户/物品的嵌入划分成块，将每个块和每种隐含的意图耦合。 然后采用图解耦模块，带有邻居路由和嵌入传播 同时，独立建模模块，使得不同意图尽量独立 2 PRELIMINARY AND RELATED WORK 2.2
【论文笔记】Disentangled Graph Collaborative Filtering --- SIGIR2020
weixin_44884854的博客
10-28 4430
摘要 从历史交互数据中学习用户、物品的表示是协同过滤中重要的一步。当前的嵌入方程利用用户-项目关系来丰富表示，从单个用户-项目实例演变为整体交互图。尽管如此，大多数的模型仍然使用统一的方式处理用户-物品之间的关系，忽略了不同用户意图对采购物品的影响，例如消磨时间、真正感兴趣、给家人买东西等。这种统一的方法对对用户进行建模容易导致次优表示（suboptimal representations），未能对不同的关系进行建模并在表示中分离用户意图。 在本文中，我们特别关注在用户意图的细粒度上的用户-物品关系。我
DGCF，Disentangled Graph Collaborative Filtering论文理解
weixin_47235700的博客
11-26 1700
这里写自定义目录标题论文地址：http://staff.ustc.edu.cn/~hexn/papers/sigir20-DGCF.pdfIntros功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 论文地址：http://staf
Disentangled Graph Collaborative Filtering
Zjkorigin的博客
11-05 1052
从交互数据中学习用户和物品的信息表示对于协同过滤（CF）至关重要。现有的嵌入函数利用用户-物品关系来丰富表示，从单一的用户-物品实例发展到整体交互图。然而，这些方法大多以统一的方式对用户-物品关系进行建模，而忽略了用户采用物品的意图多样性，这些意图可能是为了消磨时间、出于兴趣，或是为家人等他人购物。这种对用户兴趣的统一建模方法容易导致表示不佳，无法有效建模多样化的关系并在表示中区分用户意图。在本文中，我们特别关注用户-物品关系在用户意图这一更细粒度层面上的表现。
Disentangled Contrastive Collaborative Filtering
最新发布
Zjkorigin的博客
11-19 688
最近的研究表明，图神经网络（GNN）普遍用于为协作过滤（CF）建模高阶关系。在这条研究路线上，图对比学习（GCL）通过学习增强的用户和项目表示，在解决监督标签短缺问题方面表现出了强大的性能。虽然它们中的许多显示了它们的有效性，但两个关键问题仍然未被探索：i）大多数现有的基于GCL的CF模型仍然受到忽略用户-项目交互行为通常由不同的潜在意图因素（例如，ii）他们引入的非自适应增强技术容易受到噪声信息的影响，这引起了对模型鲁棒性和引入误导性自我监督信号的风险的担忧。
蔡氏电路matlab仿真代码-disentangled_graph_collaborative_filtering:图形化协作过滤，SIGIR
05-26
解缠图协同过滤（DGCF）是一个可解释的推荐框架，配备了（1）胶囊网络的动态路由机制，以提高意图感知图中用户-项目交互的强度，（2）嵌入图传播机制神经网络，从高阶连通性中提取相关信息，以及（3）独立性建模的...
【论文笔记】Disentangled Graph Collaborative Filtering
qq_42924581的博客
11-03 903
Disentangled Graph Collaborative Filtering 文章目录Disentangled Graph Collaborative Filtering摘要一、DGCF模型介绍模型任务：探索用户-项目关系生成表示DGCF模型方法Graph Disentangling Moduleembedding初始化Intent-Aware Graph初始化Graph Disentangling Layer.Intent-Aware Graph更新总结 摘要 1、以往模型在模拟user-item
Disentangled Graph Collaborative Filtering 2020 SIGIR
qq_39091546的博客
04-20 370
这篇文章说的是学习用户之间不同的意图，并且意图之间要有独立性 我们之前都是一个物品学习一个embedding ,但是一个物品也会有很多不同的属性，所以分别进行表示，比如说一个物品20维度，四个属性，每一个属性就是五个维度， 确定用户交互是处于何种目的， 一个k 是一个意图，之后在整个图整个到一起，每个intent尽可能的不一样。 用户的embedding是有每一部分的意图embedding组成的，之前学习的用户意图是使用的mutle-head ，要做的是确保head之间的独立性。 数据的初始化
基于图协同过滤的解缠表示(Disentangled Graph Collaborative Filtering)
xianfishY的博客
11-13 1311
基于图协同过滤的解缠表示（Disentangled Graph Collaborative Filtering）1.前言摘要引言2.前期工作2.1.协同过滤2.1.2.基于协同过滤的表示学习2.1.3.限制2.2.任务描述2.2.1.用户-商品关系的探索2.2.2.生成解耦的表示3.模型理论3.1.图解缠模型3.1.1.初始化意图嵌入向量3.1.2.意图感知图初始化3.1.3.图解缠层设计3.1.4.合并图解缠层3.2.独立建模模块3.3.模型优化4.实验4.1模型结果4.2.对DGCF的深入研究5.结论与
Neural Graph Collaborative Filtering（NGCF）学习笔记
DreamOfDragon的博客
12-09 9661
Neural Graph Collaborative Filtering INTRODUCTION 可学习CF模型有两个关键组成部分： 1.embedding 嵌入：它将用户和项目转换为矢量化表示 2.interaction modeling 交互建模：它基于嵌入重建历史交互 矩阵分解(MF)直接将用户/项目ID嵌入为一个向量，并用内积对用户-项目交互进行建模[20]；协同深度学习通过整合从项目丰富的边信息中学习到的深度表示，扩展了MF嵌入功能[30]；神经协同过滤模型用非线性神经网络代替内积的MF交互作用
SIGIR2020推荐系统论文聚焦
abcdefg90876的博客
06-09 4492
目录前言推荐论文列表前言第43届国际信息检索研究和发展大会（SIGIR）将于2020年7月25-30日在美丽的中国西安举行。此次大会共收到了555篇长文投稿，录用147篇，长文录取率26...
SIGIR‘19 | 图神经网络协同过滤算法-Neural Graph Collaborative Filtering
paper_reader的博客
07-21 4241
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 Wang X, He X, Wang M, et al. Neural Graph Collaborative Filtering[J]. arXiv preprint arXiv:1905.08108, 2019. 引言 ...
论文解析：Neural Graph Collaborative Filtering
da_kao_la的博客
03-11 1236
论文解析：Neural Graph Collaborative Filtering 作者：Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, Tat-Seng Chua（新加坡国立大学） 会议：SIGIR 2019 方法 和Graph Convolutional Matrix Completion一样，Neural Graph Collaborativ...
DGVa:染色体结构变异数据库
庐州月光的博客
08-19 1037
欢迎关注”生信修炼手册”!DGVa是一个来自EBI的染色体结构变异数据库，通过文献整理和科研人员提交两种方式，存储了多个物种的染色体结构变异信息，网址如下https://www.ebi....
Disentangled Graph Convolutional Networks解耦图卷积神经网络 ICML 2019
qq_40491207的博客
03-24 5294
文章目录相关介绍摘要main contributionsDisenGCN: the Proposed Model1. DisenConv 的基本假设2. The DisenConv Layer理论分析 论文链接：http://proceedings.mlr.press/v97/ma19a.html 相关介绍 摘要 真实世界的图通常是在许多潜在因素的高度复杂交互作用下产生的。现有的图结构数据深度学习...
[nlp]意图分类是怎么实现的
Forgive Me
09-21 8322
如何进行意图分析之前开始做语义理解的时候，笔者采用的是比较粗暴的方法进行匹配。随着语料的积累，语料库的规模变得越来越大，匹配的效率也随着越来越低，对语料进行意图分类的想法也就随着产生。当用户输入之后，系统首先对输入进行意图分类，然后对分类下的语料进行匹配，从而减轻计算量，提高系统的匹配效率。本文只是简单的阐述一下意图分析的典型思路和方法，并实现一个基本的意图分类器，而无意系统的探究意图分类。更详细的
论文笔记（一）【 Disentangled Representation Learning GAN for Pose-Invariant Face Recognition】
热门推荐
daydayjump的博客
07-07 1万+
论文地址：论文 大体分为两部分，第一部分是自己读文章时的记录，第二部分是自己总的感想。 一、论文概述： 1、在摘要中提出了DR-GAN的名字，给出了论文的三个创新点。 （1）通过generator 的encoder-decoder框架学习了生成和判别的表示（representation）； （2）这种表示是从姿态这种人脸变量得出。姿态（pose）代码传输到decoder，姿态的估计（es...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值