JAVA哇哇哇哇哇哇哇哇-CSDN博客

原创 CLSR：Contrastive Learning Based Graph Convolution Network forSocial Recommendation

当前的社交推荐模型通常关注建模多图结构，并从这些多图中汇集信息以学习用户的偏好。然而，这些方法往往使用复杂的模型和冗余的参数来获得轻微的性能改进。因此，本文提出了一种集成社交图和交互图信息的对比学习方法，通过对用户嵌入进行融合来获取更精细的用户表示。同时，引入了对比学习框架，通过数据增强构建对比学习的正负样本。总体而言，这篇论文介绍了一种基于对比学习的图卷积网络方法，用于改进社交推荐系统的性能。通过融合社交图和交互图信息，并利用对比学习框架进行数据增强，该方法能够更好地学习用户的偏好。

2024-01-08 10:19:53 737

原创 AutoCF：Automated Self-Supervised Learning for Recommendation

Automated Self-Supervised Learning for Recommendation》该论文介绍了自动化自监督学习在推荐系统中的应用。这篇论文介绍了一种名为AutoCF的自动协同过滤方法，旨在解决协同过滤中数据增强的问题。传统的对比学习方法在数据增强方面通常依赖于手动生成对比视图，这在不同数据集和推荐任务中很难泛化并且对噪声扰动不够鲁棒。为了填补这一差距，AutoCF采用了一种统一的自动生成数据增强的方法。

2024-01-07 23:05:28 1286 1

原创 CGCL：Celebrity-aware Graph Contrastive Learning Framework forSocial Recommendation

在这篇论文中，我们提出了一种名人感知的基于GNN的社交推荐模型CGCL，该模型在社交领域中明确建模了广泛存在的名人效应。CGCL采用多任务学习框架，将社交领域损失和自监督损失融入到推荐模型的训练中，提高了模型的性能。我们在真实世界的三个数据集上进行了广泛的实验证明了模型的有效性，并通过消融实验验证了关键组件的必要性。我们还通过可视化社交网络展示了对名人效应建模的有效性。未来的研究方向包括将名人效应建模应用于其他涉及社交关系建模的任务，例如社交网络链接预测，以评估方法的泛化能力和实用性。

2024-01-02 11:01:47 910

原创 HGSR：Hyperbolic Graph Learning for SocialRecommendation

这篇论文提出了一种名为HGSR的模型，用于超螺旋社交推荐。为了应对社交推荐中的异质性和噪声问题，作者设计了一个增强的超螺旋异构图学习方法。首先，在超螺旋空间中对社交网络进行预训练，以保留层次结构特性。然后，将预训练的社交嵌入应用到超螺旋异构图中进行用户偏好学习。通过结合显式的异构图学习和隐式的社交特征增强，该模型能够有效地处理异质性和噪声问题。实验证明了该模型相对于其他基线模型具有更高的性能、预训练特征的泛化性，以及适用于不同稀疏用户的能力。

2024-01-01 00:08:42 936

原创 SSBPR: Symmetric Bayesian Personalized Ranking With Softmax Weight

这篇文章研究了如何设计一种有效的成对偏好学习算法来进行基于隐式反馈的物品推荐。为了解决现有成对偏好假设的局限性，作者提出了一个合理而全面的假设——对称成对偏好假设。同时，他们使用基于softmax函数的加权平均值来表示物品集和用户组的整体偏好。基于加权平均值，作者开发了两种新方法，分别是BPRHS和BPRVS，以研究加权平均值的效果。此外，基于加权平均值和对称成对偏好假设，作者开发了SSBPR的新算法，该算法提供了一个通用的成对偏好学习框架，可以有效处理隐式反馈。

2023-12-25 19:30:13 412

原创 TIL: Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation

总结起来，这项工作提出了一种名为TIL的训练范式，旨在改善个性化排序的训练过程。它通过调整不同三元组的重要性来提高推荐模型的性能。TIL采用了一种权重生成函数来学习三元组的重要性，避免了为每个三元组枚举不同的权重。根据用户的兴趣建模方式，TIL提供了两种策略：单兴趣和多兴趣，以获得适当的权重生成函数输入。为了确保学到的权重有意义，TIL采用了双层优化的形式。实验证明，TIL在三个真实数据集和四个常用的基础推荐模型上表现优异，显著超过了现有方法，并且与多种基础模型兼容。

2023-12-25 19:08:14 936

原创 DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation

本文提出了一种名为DiffNet++的神经社交和兴趣扩散模型，用于社交推荐。通过联合建模社交网络和兴趣网络的高阶结构，可以相互增强推荐效果。模型将社交推荐问题转化为异构图，并通过卷积递归学习用户嵌入，直接将高阶社交结构和兴趣网络纳入用户建模过程。此外，模型还采用多级注意力网络，以更好地聚合图和节点级别的表示，提高用户建模效果。实验结果显示，该模型在两个真实数据集上表现出明显的有效性。未来的研究方向包括探索图推理模型，以解释用户行为的路径。

2023-12-18 17:57:54 1276

原创 A Neural Influence Diffusion Model for Social Recommendation

《A Neural Influence Diffusion Model for Social Recommendation》这篇文章介绍了一种名为"DiffNet"的神经影响扩散模型，用于社交推荐系统，文章的目标是改善推荐系统的性能，特别是在处理稀疏用户行为数据和利用社交网络信息方面。

2023-12-11 18:50:10 1116 1

原创 DcRec:Disentangled Contrastive Learning for Social Recommendation

本文提出的用于社交推荐的解耦对比学习框架（DcRec），它遵循通过最大化同一实例上不同视图之间的表示一致性来进行自监督对比学习的一般范式[2, 21, 39]。所提出模型的架构如图2所示。具体而言，该模型包括三个主要组件：（1）领域解耦（Domain Disentangling），用于将输入数据解耦为两个子领域；（2）编码器（Encoder），在两个领域上使用不同的编码器从两个不同的视图学习表示；

2023-12-04 18:26:17 993

原创 MVGCL: Multi-View Graph Contrastive Learningfor Service Recommendation

该文献是关于2023年IEEE国际网络服务会议（ICWS）上的一篇论文，题为"MVGCL: 基于多视图图对比学习的服务推荐"。对比学习（Contrastive Learning）在推荐系统中已经显示出对处理数据稀疏性的有效性。为此，图协同对比学习方法建立了一个基于图结构的辅助自监督任务。虽然在一定程度上缓解了数据稀疏性问题，但新生成的图可能会引入不可靠的节点或边，破坏原始的图结构为了解决这些问题，论文提出了一种多视图图对比学习（MVGCL）方法。

2023-11-29 19:26:59 962 1

原创 XSimGCL: Towards Extremely Simple GraphContrastive Learning for Recommendation

在XSimGCL中重新审视了对比学习在推荐中的应用，并研究了它如何增强图推荐模型。研究结果表明InfoNCE损失是决定性因素，它解释了大部分性能提升，而精心设计的图增强方法只起到次要作用。优化InfoNCE损失可以实现更均衡的表示分布，有助于在推荐场景中推广长尾物品。基于这一发现，文中提出了一种简单而有效的基于噪声的增强方法，通过对比学习可以平滑地调整表示分布的均匀性。还提出了一种极其简单的模型XSimGCL，为基于对比学习的推荐提供了一个超轻量级的架构。

2023-11-20 20:59:18 280

原创 SGL：Self-supervised Graph Learning for Recommendation

通过「数据增强」来改变图结构，使得图模型于不会过于依赖某些「边」或者某些「高度结点」。通过「对比学习」同一结点的不同视图表征，模型能够有效地发现「最有意义的模式」，尤其是结点的图结构信息，同时还能挖掘困难负样本，提高模型的区分能力。

2023-11-13 20:45:06 232

m0_56321960的博客