![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图嵌入
文章平均质量分 93
堇禤
这个作者很懒,什么都没留下…
展开
-
【图对比学习】GACN:使用对抗网络增强图对比学习
论文提出了一种新颖的图对比学习框架GACN,使用对抗生成网络去生成视图,以解决图对比学习(GCL)在真实世界应用中广泛存在的标签稀缺问题。将图GAN和图对比学习GCL结合进行自监督预训练。具体来说,GACN通过学习视图分布和利用GCL的节点互信息最大化,可以在有限甚至无标签的情况下训练GNNs。通过设计的优化框架,GACN可同时训练图GAN模型和GCL模型。并通过两种精心设计的自监督学习损失函数——图对比损失和贝叶斯个性化排名损失,提高了训练效果。原创 2023-12-11 14:51:00 · 1405 阅读 · 1 评论 -
【异质网络、超图、因果学习】HyperSCI ——KDD 2022 Best Paper:Learning Causal Effects on Hypergraphs
KDD‘2022 最佳论文:HyperSCI_基于超边的因果推断模型。该模型具体通过聚合混杂因子(利用MLP)和高阶干涉(利用注意力机制修正超边中的节点信息、利用多层图卷积网络进行迭代训练)的两部分节点向量表征进而得到ITE原创 2022-09-23 15:29:54 · 738 阅读 · 0 评论 -
【曝光偏差、对比学习、无偏推荐】 Cross Pairwise Ranking for Unbiased Item Recommendation
本文提出了一种新的学习范式(Loss 损失函数),称为交叉成对排名(CPR),在不知道曝光机制的情况下实现无偏见的推荐。对多个观察到的交互进行采样计算,并将它们的预测的组合来构成训练集放到模型中进行训练。> 换句话说:> 1. CPR的训练集的选择不受曝光机制的影响,可以客观的将难样本对和简单样本对以同样概率被选到。> 2. CPR是一种损失函数,此损失函数中的训练集是通过某种方式得到的。> 3. CPR可以替换任何方法中的损失函数,相当于换了一个内核。原创 2022-04-09 15:48:32 · 1210 阅读 · 0 评论 -
【图卷积】 LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
作者提出一个简化GCN的模型LightGCN,只包含GCN最重要的组成部分,例如领域的聚合,多层传播,抛弃了GCN最常见的**设计-特征转换**和**非线性激活**两个步骤,并且通过在用户-项目交互图上线性传播用户和项目的嵌入来学习它们,最后将所有层上学习到的用户和项目嵌入加权和算作最后的预测得分。原创 2022-04-01 15:25:08 · 3655 阅读 · 0 评论 -
【对比学习】NCL:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learni
本文是在基于GNN的方法中提出的一种新的对比学习推荐模型。主要考虑了GNN的推荐模型中两种类型的自监督信息,structure-contrastive(结构对比)和prototype-contrastive(语义对比),两个对比学习信息,**使得相似的用户和物品的向量空间更为相似,以捕捉用户和物品的潜在邻里关系,提高了推荐的精度**。通俗点讲:1. 该方法是在LightGCN方法上,将两种信息(图结构信息和语义信息)融合进损失函数中进行整体的训练。2. 两种信息中都采用InfoNCE的方法思想设置其子原创 2022-03-31 16:03:53 · 2174 阅读 · 0 评论 -
【序列推荐、图网络、Transformer】STAM:A Spatiotemporal Aggregation Method for Graph Neural Network-based
基于GNN的推荐系统通常基于空间结构信息对近邻embedding进行聚合,从而忽略了时间序列信息的聚合,本文提出STAM方法根据时间和空间信息对近邻的一阶邻居节点embedding进行聚合,并且此方法可以和其他GNN方法结合,即只修改GNN方法中的聚合函数为STAM即可。原创 2022-03-18 14:22:50 · 1922 阅读 · 2 评论 -
基于推荐的GNN方法导读
GNN方法是在确定的图结构中,通过迭代计算,最后求出User和item的向量表示。此方法可以用作推荐。原创 2022-03-17 20:48:20 · 1262 阅读 · 0 评论 -
【对比学习】DuoRec:Contrastive Learning for Representation Degeneration Problem in Sequential Recommenda
Transformer 和 BERT 等顺序深度学习模型的最新进展极大地促进了顺序推荐。然而,根据我们的研究,这些模型生成的项目嵌入的分布倾向于退化为各向异性的形状,这可能导致嵌入之间的语义相似性很高。在本文中,首先提供了对该表示退化问题的实证和理论研究,在此基础上提出了一种新颖的推荐模型 DuoRec 来改善项目嵌入分布。具体来说,鉴于对比学习的均匀性,为 DuoRec 设计了对比正则化来重塑序列表示的分布。鉴于推荐任务是通过点积测量同一空间中序列表示和项目嵌入之间的相似性来执行的,正则化可以隐式应用于项原创 2022-03-11 11:49:20 · 2574 阅读 · 0 评论 -
KuaiRec: A Fully-observed Dataset for Recommender Systems
快手公司与中科大合作产出的资源型论文,即发布了一个几乎全是观测值的稠密数据集KuaiRec,该数据集包含了1411个用户对3327个短视频的交互行为,稠密度高达99.6%(一般推荐系统公开数据集的稠密度在1%以下)。该数据集可用于离线的A/B测试,以及可用于无偏推荐、交互式/对话推荐或者是基于强化学习推荐等方向。原创 2022-03-09 17:27:10 · 2318 阅读 · 0 评论 -
【图注意力网络】GAT:Graph Attention Networks
Graph Attention Networks(图注意力网络)原创 2022-03-03 17:59:06 · 2560 阅读 · 0 评论