- 博客(38)
- 收藏
- 关注
原创 Layer-refined Graph Convolutional Networks for Recommendation【ICDE2023】
基于图卷积网络(GCN)的抽象推荐模型综合了用户-项目交互图的节点信息和拓扑结构,具有良好的性能.然而,这些基于GCN的推荐模型不仅在堆叠太多层时会出现过平滑,而且在用户-项目交互中会存在噪声,从而导致性能退化。本文首先指出了现有的基于GCN的推荐模型中存在的过度平滑和解崩溃的问题。具体而言,这些模型通常会聚合所有层的嵌入以进行节点更新,并由于过度平滑而在几个层内实现最佳推荐性能。
2024-08-25 20:54:36
396
原创 Knowledge-Adaptive Contrastive Learning for Recommendation
用户物品交互图:用户和物品有交互则存在边,反之不存在边知识图谱:物品和属性问题:通过交互图和知识图谱,学习一个函数,来预测用户将会交互的物品。
2024-08-16 17:40:22
1011
原创 【A Multi-view Graph Contrastive Learning Framework for Cross-Domain Sequential Recommendation】
1.用户:U, 物品:I2.每个用户𝑢 ∈ U的目标领域行为序列为X = {𝑥1, 𝑥2, . . . , 𝑥𝐿 }(按交互时间排序)3.该序列由目标领域物品集合中的𝐿个物品组成。如果序列长度小于𝐿,则会在序列开始处反复添加填充物品。4.X𝑡 = {𝑥1, 𝑥2, . . . , 𝑥𝑡 },1 ⩽ 𝑡 ⩽ 𝐿,表示针对序列X在时间步𝑡的截断行为序列。同样地,我们用Y𝑡′= {𝑦1, 𝑦2, . . . , 𝑦𝑡′ }表示源领域的截断物品序列。
2024-08-16 14:07:33
590
原创 【Knowledge Graph Context-Enhanced Diversified Recommendation(MSDM2024)】
推荐系统(RecSys)领域已被广泛研究,以通过利用用户的历史交互来提高准确性。尽管如此,这种对准确性的持续追求常常导致多样性的减少,最终导致众所周知的“回音室”现象。的RecSys作为一种对策应运而生,将并列,引起了学术界和行业从业者的高度关注。这项研究探索了知识图 (KG) 复杂背景下的多样化 RecSys。这些知识图谱充当有关实体和项目的互连信息的存储库,通过结合有洞察力的上下文信息,提供了一个扩大推荐多样性的有利途径。
2024-06-27 17:16:57
950
原创 【DKN: Deep Knowledge-Aware Network for News Recommendation】
在线新闻推荐系统旨在解决新闻信息爆炸的问题,为用户进行个性化推荐。总体而言,新闻语言高度凝练,充满知识实体和常识。然而,现有的方法并没有意识到这些外部知识,也无法充分发现新闻之间潜在的知识层面的联系。因此,向用户推荐的结果仅限于简单的模式,并且不能合理扩展。为了解决上述问题,在本文中,我们提出了一种将知识图表示纳入新闻推荐的深度知识感知网络(DKN)。DKN 是一个基于内容的深度推荐框架,用于预测点击率。
2024-06-20 22:38:01
1097
原创 SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation
然而,现实世界的数据通常包含噪音,例如用户的误点击、临时意图或兴趣转移[28]。值得注意的是,“噪音”的概念对于不同的用户来说是不同的,因为一些用户有不同的兴趣,而另一些用户则有更稳定的偏好。首先,现有的序列模型主要关注个体交互序列的长期建模,忽视了不同用户行为之间有价值的短期协作关系。其次,现实世界的数据通常包含噪音,特别是在用户的短期行为中,这些行为可能是由临时意图或误点击引起的。重要的是,我们的个性化自我增强学习结构通过基于长期用户兴趣和个人稳定性减轻短期图中的噪声来增强模型的稳健性。
2024-06-17 17:37:16
497
原创 Locality-aware subgraphs for inductive link prediction in knowledge graphs
最近的知识图(KG)归纳推理方法将链接预测问题转化为图分类任务。他们首先根据目标实体的 k 跳邻域提取每个目标链接周围的子图,使用图神经网络 (GNN) 对子图进行编码,然后学习将子图结构模式映射到链接存在的函数。尽管这些方法取得了巨大的成功,但增加 k 通常会导致邻域呈指数扩张,从而因过度平滑而降低 GNN 的表达能力。在本文中,我们将过程,旨在基于个性化 PageRank (PPR) 方法对目标链接周围紧密相关的子图进行采样。
2024-06-05 21:07:08
584
原创 【Torch学习笔记】
是用于沿新维度将多个张量堆叠在一起的函数。它要求所有输入张量具有相同的形状,并在指定的新维度上进行堆叠。cat stack 的区别。
2024-05-26 22:18:56
321
原创 Multi-objective reinforcement learning approach for trip recommendation
行程推荐是一项智能服务,为游客在陌生的城市提供个性化的行程规划。它旨在构建一系列有序的 POI,在时间和空间限制下最大化用户的旅行体验。将候选 POI 添加到推荐行程时,根据实时上下文捕获用户的动态偏好至关重要。同时,个性化出行中POI的多样性和流行度对用户的选择起着重要作用。为了应对这些挑战,在本文中,我们提出了 **MORL-Trip(旅行推荐多目标强化学习的缩写)**方法。,并在 Actor-Critic 框架上实现。
2024-05-25 16:18:48
646
原创 HMAR: Hierarchical Masked Attention for Multi-Behaviour Recommendation
在推荐系统的背景下,解决多行为用户交互对于理解不断变化的用户行为至关重要。最近的模型利用图神经网络和注意力机制等技术来建模不同的行为,但捕获历史交互中的顺序模式仍然具有挑战性。为了解决这个问题,我们引入了多行为推荐的分层屏蔽注意力(HMAR)。具体来说,我们的方法将屏蔽自注意力应用于相同行为的项目,然后对所有行为进行自注意力。此外,我们提出历史行为指标来对输入序列中每个项目的行为的历史频率进行编码。此外,HMAR 模型在多任务设置中运行,使其能够同时学习项目行为及其相关的排名分数。
2024-05-21 20:53:39
642
原创 子图生成论文思路对比
论文1:Knowledge-Enhanced Recommendation with User-Centric Subgraph Network论文1博客:https://blog.csdn.net/Zjkorigin/article/details/137119122?论文2:LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS。
2024-05-18 11:00:17
418
原创 LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS
为了推断知识图 (KG) 上的新事实,链接预测器从图结构中学习并收集本地证据以找到给定查询的答案。然而,由于利用整个知识图谱进行预测,现有方法面临严重的可扩展性问题,这阻碍了它们在大规模知识图谱上的应用,并且无法通过普通采样方法直接解决。在这项工作中,我们提出了一次性子图链接预测来实现高效和自适应的预测。设计原则是,预测过程不是直接作用于整个知识图谱,而是解耦为两个步骤,即(i)根据查询仅提取一个子图,以及(ii)对这个单一的、依赖于查询的子图进行预测。我们发现,非参数和计算高效的启发式。
2024-05-17 23:46:34
912
2
原创 Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
推荐系统,目前在各种平台上广泛应用,根据用户的喜好向用户推荐相关项目。依赖于用户-项目交互矩阵的经典方法有局限性,特别是在缺乏新项目交互数据的情况下。基于知识图(KG)的推荐系统已成为一种有前途的解决方案。然而,大多数基于知识图谱的方法采用节点嵌入,不能为不同用户提供个性化推荐,也不能很好地推广到新项目。为了解决这些限制,我们提出了知识增强的以用户为中心的子图网络(KUCNet),这是一种使用图神经网络(GNN)进行有效推荐的子图学习方法。KUCNet 为每个用户-项目对构建一个 U-I 子图。
2024-05-17 23:04:38
1121
原创 Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System
知识图(KG)在推荐系统中发挥着越来越重要的作用。近年来,基于图神经网络(GNN)的模型逐渐成为知识感知推荐(KGR)的主题。然而,基于GNN的KGR模型存在一个天然的缺陷,即监督信号稀疏问题,这可能会使其实际性能有所下降。受最近对比学习在从数据本身挖掘监督信号方面取得的成功的启发,在本文中,我们重点探索 KG 感知推荐中的对比学习,并提出了一种新颖的多级跨视图对比学习机制,称为MCCLK。与传统的对比学习方法通过统一的数据增强方案(例如损坏或丢弃)生成两个图视图不同,我们综合考虑了知识图谱感知推荐的。
2024-05-16 12:52:39
908
原创 Contrastive State Augmentations for Reinforcement Learning-Based Recommender Systems
从历史用户-项目交互序列中学习基于强化学习(RL)的推荐器对于生成高回报推荐和提高长期累积效益至关重要。然而,现有的强化学习推荐方法遇到困难(i)估计离线训练数据中未包含的状态的价值函数,以及(ii)由于缺乏对比信号而从用户隐式反馈中学习有效的状态表示。在这项工作中,我们提出了(CSA)来训练基于强化学习的推荐系统。为了解决第一个问题,我们提出了四种状态增强策略来。该方法通过使 RL 代理访问局部状态区域并确保原始状态和增强状态之间的学习值函数相似,提高了推荐器的泛化能力。
2024-05-15 11:28:52
860
原创 Revisiting Graph based Social Recommendation: A Distillation Enhanced Social Graph Network
社交推荐利用社交关系构建推荐系统(RS),在缓解信息过载方面发挥着重要作用。最近,图神经网络(GNN)由于其强大的图数据容量而受到越来越多的关注。由于RS中的数据本质上是图的结构,因此基于GNN的RS正在蓬勃发展。然而现有作品缺乏对社会推荐的深入思考。这些方法包含隐含的假设,在实践中没有得到很好的分析。为了解决这些问题,我们对广泛使用的社交推荐数据集进行统计分析。我们设计了评估社交信息的指标,这可以为我们是否以及如何在 RS 任务中使用这些信息提供指导。
2024-05-14 10:23:04
623
原创 Heterogeneous Graph Contrastive Learning for Recommendation
图神经网络(GNN)已成为推荐系统中对图结构数据进行建模的强大工具。然而,现实生活中的推荐场景通常涉及异构关系(例如,社交感知的用户影响力、知识感知的项目依赖性),其中包含丰富的信息来增强用户偏好学习。在本文中,我们研究了异构图增强关系学习的推荐问题。最近,对比自监督学习在推荐领域取得了成功。鉴于此,我们提出了一种HGCL,它能够将异构关系语义纳入用户-项目交互模型中,并通过学习增强知识转移。然而,异构辅助信息对交互的影响可能因用户和项目而异。为了推进这个想法,我们通过。
2024-05-13 17:49:08
703
原创 MMKGR: Multi-hop Multi-modal Knowledge Graph Reasoning
多模态知识图(MKG)不仅包含结构数据,还包含额外的多模态辅助数据(即文本和图像),与现实世界数据相比更符合现实世界数据的特征。尽管MKG包含丰富的信息,但它仍然受到KG天然不完整性的影响,上图中遗漏了一个三元组(泰坦尼克号、主演、凯特·温斯莱特),这极大地阻碍了MKG的应用。为了解决知识图谱自然不完整性的问题,人们提出了各种知识图谱推理方法。这些方法的关键思想是通过有效整合图中现有信息来推断新知识,并且它们主要关注传统知识图谱,而不考虑多模态知识。
2024-05-13 14:46:16
966
原创 Multi-modal Knowledge-aware Reinforcement Learning Network for Explainable Recommendation
融合多模态在知识图谱上里用强化学习进行可解释性推理
2024-05-12 20:37:18
813
原创 Reinforcement Recommendation Reasoning through Knowledge Graphs for Explanation Path Quality论文汇报
1.知识图我们考虑一个知识图,其中至少存在两种类型的实体:用户的集合 U ⊂ E 和产品的集合 P ⊂ E。用户和产品之间的特殊关系 rf ∈ R 对用户反馈进行建模,并且取决于域(例如,用户“观看”电影或“听”歌曲)。示例附加实体(和关系)可能是电影领域中的演员(演员“主演”电影)或导演(导演“导演”电影)或艺术家(艺术家“诠释”歌曲)和制片人(制片人) 在音乐领域“制作”了一首歌)。2.k跳可解释路径3.推理路径类型:该路径的最后一个三元组的关系4.可解释推荐任务的知识图推理5.
2024-05-12 18:31:41
987
原创 java队列 和 栈
队列:只允许在一端插入数据操作,在另一端进行删除数据操作的特殊线性表;进行插入操作的一端称为队尾(入队列),进行删除操作的一端称为队头(出队列);队列具有先进先出(FIFO)的特性。栈:只允许在一端数据操作,栈具有先进后出的特性。java 创建队列 Queue<Integer> Q = new LinkedList<>(); Q.offer(1);//队列插入数据(在队尾添加数据) Q.offer(2); int data = Q.peek();//获取对头元
2021-10-20 22:15:28
130
原创 数据结构 ----堆排序
堆:利用完全二叉树来维护一维数组。大顶堆:父节点的值大于子节点的值。小顶堆:父节点的值小于子节点的值。如何利用堆进行排序?大顶堆:升序排序小顶堆:降序排序以小顶堆为例对数组进行排序再图中可以发现子节点的索引父节点的索引的关系左节点 = Father2+1右节点 = Father2+2public static void swap(int[] nums,int l,int r) { int temp = nums[r]; nums[r] = nums[l]; nu
2021-10-16 14:29:30
107
原创 快速排序模板
```javaimport java.util.Scanner;public class Main{ public static void sort_quick(int[] arr,int l,int r){ if(l>=r) return ; int key = arr[l]; int i = l; int j = r; while(i<j){ while(arr[.
2021-10-08 19:02:21
112
原创 数据结构——树
文章目录前言一、树是什么?二、树1.树的基本术语2.二叉树2.满二叉树总结前言二叉树在数据结构中比较重要的部分,属于逻辑结构。包括:树和二叉树的转换,树转换成二叉树,森林转化尾二叉树的方法。一、树是什么?1.树是n(n>=0)个结点的有限集合,n=0时,它为空树。2.树有且仅有一个根节点。3.树除根节点以外,每一个结点可分为m(m>0)个互不相交的集合,其中每一个集合,又是一棵树。二、树1.树的基本术语结点:树中的一个单独单元结点的度:结点拥有的子树数目称为结
2021-08-23 10:19:20
195
原创 计算机组成原理-基础知识点
计算器由“硬件”和”软件“组成。冯.诺伊曼计算机的特点1.计算机由运算器,控制器,存储器,输入设备,输出设备。2.指令和数据以同等地位存放与存储器内,并可按地址询问。3.指令和数据均用二进制数表示。4.指令由操作码和地址吗组成。5.指令在存储器中顺序存放。6.机器以计算器为中心。计算器硬件的主要技术指标1.机器字长机器字长:CPU一次能处理数据的位数。字长越长书的表示范围越大,精度也越高。机器字长也影像计算器的运算速度。2.存储容量存储器的容量包括主存容量和辅存容量.
2021-08-23 10:18:21
623
原创 计算机组成原理-汉明码
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档汉明码前言一、码距是什么?二、奇偶校验1.偶校验1.奇校验2.汉明码2.汉明码的纠错总结前言汉明码具有纠错能力和检错能力一、码距是什么?码距:一个编码方案中,合法码字间的最小距离合法码字间的距离:例如编码方案为 00 01 10 1100 和 01 每一位的数据不同的数目 为1,即码字之间的距离为100 和 11 码字的距离为2则码距为 1码距离为 1 时,当传输数据时(00),数据发生改动时则为(01),接收
2021-06-14 11:24:25
1741
原创 Windows命令窗口运行java程序
首先编写一个java源文件放在一个位置以HelloWorld.java源文件为例public class HelloWorld{ public static void main(String[] args){ System.out.println("Hello World"); }}打开windows命令窗口找到java源文件的位置在windows命令窗口 java源文件路径输入 D: 表示进入d盘cd 表示进入文件内编译java源文件解释java字节
2020-12-20 11:20:11
417
1
原创 数据结构——排序
|文章目录前言一、排序是什么?二、排序1.直接插入排序2.折半插入排序3.希尔排序4.选择排序5.堆排序6.冒泡排序7.快速排序总结前言排序是计算机程序设计中一种重要的操作,排序的主要目的是为了便于查找。提示:以下是本篇文章正文内容,下面案例可供参考一、排序是什么?排序是按照关键字的非递减或非递增序列对一组重新进行排列的操作。排序分为:内部排序和外部排序排序的稳定性:一组不规则的序列中有两个相同的数组(他们有前后之分),排之后他们的前后顺序不变,就称这种排序为稳定排序
2020-12-17 22:24:28
289
原创 数据结构——折半查找
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言提示:这里可以添加本文要记录的大概内容:例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考一、pandas是什么?示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码
2020-12-16 21:48:17
691
2
原创 数据结构——队列实现(C语言)
1.队列是什么?队列遵循先进先出的规则(犹如排队买东西,先来排队的人先买到,先走。)队列是只允许在表的一端进行添加,一段进行删除。(添加的表端称为表尾,删除的一端称为表头)表头:指向队列中指向队列的头元素。表尾:指向队列中末尾元素的下一个位置(表尾指向的位置为空)。队列的存储方式:顺序存储结构,链式存储结构。1.1顺序存储结构#include <stdio.h>#define SIZEMAX 10//队列的最大存储数量#define OK 1#define ERROR -
2020-11-24 15:01:59
215
3
原创 严蔚敏——数据结构——图(C语言版)
学习目标:什么是图?图中有顶点和边(V,E),所以图包括两个集合:顶点集合和边集合。顶点集合至少一个顶点,并且顶点不能无穷多。边集合可以为空,也是有穷集合。图的基本术语:图的例子:上面可以看作一个图(三个顶点a,b,c),有三个子图。我们可以再加入两个个顶点(e,f)和两条边连接a和f,c和b.子图。上面添加完的图为例,子图有三个。无/有向完全图。无向完全图。n个顶点有(n-1)*n/2条边有向完全图(图中的弧带有方向,所以在无向完全图的基础上×2)n(
2020-11-23 19:24:47
764
原创 单链表的创建方法
**关于方法传参 指针和引用的区别**学习数据结构我认为首先需要理解*和&在创建方法的时候如果要改变传入参数的内容时采用*或&都可以如果对传入的参数不做改变则不需要改动。这样理解有点难,请看例题。交换两个数字的值居中并且带尺寸的图片: 当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。如何插入一段漂亮的代码片去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片.// An highlighted blockvar foo = 'bar'
2020-11-11 21:17:58
2204
原创 数据结构与算法的基础知识
数据结构与算法的基本数语数据:所有能被输入到计算机中,且能被计算机处理的符号的集合,是计算机加工的对象。数据元素:数据的基本单位。数据项:数据的最小单位。数据结构:数据元素之间存在一种或多种特定关系的集合。逻辑结构:元素之间的相互逻辑关系,与数据的存储无关,是独立于计算机的。(也就是人想出来的结构,天马行空的结构)举个栗子:线性表和链表,队列,栈都是逻辑结构,我们想出来的结构。物理结构:数据结构在计算机中的表示,包括数据元素的机内表示和关系的机内表示。例如:顺序,链接,索引,散列。数据类型
2020-11-11 20:17:42
343
原创 广度优先遍历二叉树
学习目标:广度优先遍历二叉树我是一个初学者,写这篇博客一是为了增加自己的记忆,以便于以后自己复习,当然希望有大神能对我纠错,嘻嘻。学习内容:[ 1] 广度优先遍历顾名思义,一层一层的输出二叉树每一个节点的信息。就像她一层一层剥开我的洋葱心。学习步骤:首先应该创建一个队列,而队列里存储的便是二叉树每一个节点的地址。大家看一下代码就能明白。二叉树节点代码不规范,哈哈。//二叉树节点的结构体typedef char Elemtype;typedef struct _Nod
2020-11-10 22:39:25
312
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人