SimGCL和XSimGCL

最新推荐文章于 2024-08-31 21:39:38 发布
最新推荐文章于 2024-08-31 21:39:38 发布
阅读量944 收藏 7
点赞数 5
分类专栏： 论文笔记 文章标签： python 推荐算法 SimGCL
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/m0_74033027/article/details/140638755
版权

SimGCL

动机

传统的SGL(图自监督学习)使得模型可以自行发掘任务特征，解决了数据稀疏和长尾分布的问题，SGL采用节点dropout、边dropout和随机游走三种方式对图结构进行扰动（图增强）进行对比学习，可以有效提高性能

SGL主要解决传统推荐系统面临的数据稀疏和长尾分布问题。通过在图结构上进行数据增强，并结合对比学习机制，SGL能够有效提升模型的表征学习能力，从而改善推荐性能。具体来说，SGL采用节点dropout、边dropout和随机游走三种方式对图结构进行扰动，生成多个子视图，再利用图卷积网络（如LightGCN）提取节点表征。这些表征通过最大化同一个节点不同视图之间的相似性，最小化不同节点之间的相似性，从而构建自监督学习任务

虽然这样做可有效提高性能，但是为什么这种对比学习的方法可以提高推荐性能，以及图增强是必要的吗？
在这里插入图片描述

实验

对于 为什么这种对比学习的方法可以提高推荐性能，图增强是必要的吗？ 这个问题，本文做了对应实验；

实验一

首先，原先的方法都是SGL结合对比学习和图增强，那么在该实验中，为了验证图增强是否必要，我们在不同训练集上，分别测试SGL的几个不同变体

最低0.47元/天 解锁文章
aaa小葵
关注
  • 5
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SimGCL:Are Graph Augmentations Necessary? Simple GraphContrastive Learning for Recommendation 论文代码解读
zhao254014的博客
09-22 2002
开发了一种简单的无图增强的CL方法，以一种更直接的方式来调节表示分布的均匀性。通过在表示中加入有向随机噪声，进行不同的数据增强和对比，提出的方法显著提高了推荐能力
【图对比推荐模型】SimGCL与XSimGCL:Towards Extremely Simple Graph Contrastive Learning for Recommendation
weixin_45371401的博客
07-02 1002
这段时间阅读了一下将对比学习应用到推荐系统中的一篇性能比较好的文章，对比了一下该文章作者在SIGIR‘22会议上发表的SimGCL模型和之后同作者在SCI一区中发布的XSimGCL模型。
[SIGIR22]图对比推荐论文SimGCL/XSimGCL算法和代码简介
Blueghost19的博客
03-25 3367
[SIGIR‘22]图对比推荐论文SimGCL/XSimGCL算法和代码简介
推荐系统笔记（十四）：极简图对比学习方法SimGCL
qq_46006468的博客
08-18 1917
1）在基于CL的推荐模型中，CL的损失是核心，而图的增强只起次要作用。（2）优化CL损失可以得到更均匀的表示分布，能在推荐的场景中帮助消除偏差。（3）通过在表示中加入有向随机噪声，进行不同的数据增强和对比，可以显著提高推荐能力。...
XSimGCL: Towards Extremely Simple GraphContrastive Learning for Recommendation 论文+代码解读
zhao254014的博客
09-23 1932
XSimGCL的推荐任务和对比任务在一个小批量中共享正向/反向传播，而不是拥有单独的管道。具体来说，SimGCL和XSimGCL都使用相同的输入：初始嵌入和邻接矩阵。 不同之处在于SimGCL对比了所学的两种最终表示，使用不同的噪声并依赖于普通表示进行推荐，而XSimGCL对两个任务使用相同的扰动表示，并用跨层对比替换SimGCL中的最终层对比。
SIGIR2022 | SimGCL: 面向推荐系统的极简图对比学习方法
张小磊的博客
05-05 1167
嘿，记得给“机器学习与推荐算法”添加星标今天跟大家分享一篇发表在SIGIR2022上的不需要进行图数据增强的对比学习方法来进行推荐的文章。该文首先通过实验揭示了在基于对比学习范式的推荐模型中，对比学习通过学习更统一的用户/项目表示来进行推荐，这可以隐式地缓解流行度偏差。同时，还揭示了过去被认为是必要的图增强操作在推荐领域只是起到了很小的作用。基于这一发现，该文提出了一种简...
simgcl推荐模型中注意力机制的结合形式，注意力机制的形式
09-07
在simgcl推荐模型中，注意力机制的结合形式是将图结构学习与NMF相结合，再加上多头注意力机制。首先，该模型使用一个邻接矩阵来建模特征交互的有用边，选择根据超参数限定的top有用的交互。然后，使用多头注意力机制...
AFTvsOTFS_Otfs_PAPR_matlab
09-11
总的来说，这个Matlab代码库为研究者和工程师提供了一个工具，帮助他们深入理解OTFS和AFT调制在实际无线通信环境中的表现，特别是在降低PAPR方面的能力，这对于优化无线通信系统设计有着重要的意义。通过运行和修改...
​ICLR 2023 | LightGCL: 简单且高效的图对比学习推荐系统
Paper weekly
03-03 563
©PaperWeekly 原创 ·作者 |蔡旭恒单位 |香港大学研究方向 |推荐系统论文题目：LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation收录会议：ICLR 2023论文链接：https://arxiv.org/abs/2302.08191代码链接：https://github.co...
论文阅读 Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
qq_43431934的博客
04-18 1069
title：Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation link：https://arxiv.org/pdf/2112.08679.pdf code：https://github.com/Coder-Yu/QRec from：SIGIR 2022 1. 导读 本文是针对图对比学习在推荐系统中的应用而提出的相关方法SimGCL。通常做对比学习的时候，需要对数据进行增.
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
ZZZ___bj的博客
04-15 3122
摘要 对比学习(CL)最近在推荐领域激发了富有成效的研究，因为它从原始数据中提取自我监督信号的能力与推荐系统解决数据稀疏性问题的需求非常一致。基于CL的推荐模型的一个典型途径是首先用结构扰动去进行增强用户-项目二部图，然后最大化不同图增强之间的节点表示一致性。尽管这种模式被证明是有效的，但性能提高的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更统一的用户/项目表示来操作，这可以隐式地减轻流行偏差。同时，我们揭示了过去被认为是必要的，只是发挥一个微不足道的作用。 .
【论文阅读】AD-GCL：Adversarial Graph Augmentation to Improve Graph Contrastive Learning
cziun的博客
08-13 2373
目录摘要1 引言2 准备工作2.1 学习图表示2.2 GNNs2.3 互信息最大化3 对抗性图对比学习3.1 AD-GCL的理论动机及制定3.2 通过可学习的边缘扰动实例化AD-GCL3.2.1 可学习的Edge Dropping GDA模型TΦ(⋅)T_Φ(·)TΦ​(⋅)3.2.2 参数化TΦ(⋅)T_Φ(·)TΦ​(⋅)3.2.3 调整TΦ(⋅)T_Φ(·)TΦ​(⋅)4 实验 摘要 提出了对抗性图对比学习——AD-GCL，它通过优化GCL中使用的对抗性图增强策略，使GNN在训练过程中避免捕获冗余(图
自监督学习用于推荐系统问题综述
nakaizura
04-29 2991
分享一篇自监督学习用于推荐系统的综述，先上link： title：Self-Supervised Learning for Recommender Systems: A Survey paper：https://arxiv.org/abs/2203.15876 code：https://github.com/Coder-Yu/SELFRec 在博主之前的文章中，对比学习用于推荐系统问题（SSL，S^3-Rec，SGL，DHCN，SEMI）中曾经提到，自监督学习被引入推荐系统领域主要有以下优势： 舒缓数
python12 中，No module named‘distutils‘错误
热门推荐
qq_43557600的博客
08-27 1万+
python12 “ No module named'distutils' ”,​ 安装 pip install setuptools ，解决 ​
centos7 安装 superset4.0.2 教程
m0_37759590的博客
08-27 1万+
centos7 安装 superset4.0.2 教程
python从入门到精通：数据可视化-图形开发
2401_83283514的博客
08-29 1076
• Json是一种轻量级的数据交互格式，可以按照Json指定的格式去组织和封装数据• Json本质上是一种带有特殊格式的字符串主要功能：json就是一种在各个编程语言中流通的数据格式，负责不同编程语言中的数据传递和交互，类似于：• 国际通用语言-英语• 中国不同名族的通用语言-中文（普通话）• 各种编程语言存储数据的容器不尽相同，在python中有字典dict这样的数据类型，而其它语言可能没有对应的字典。为了让不同的语言都能够相互通用的互相传递数据，Json就是一种非常良好的数据中转格式。
CSS解析:定位和层叠上下文
最新发布
晓风残月淡的博客
08-31 1280
许多开发人员对定位的理解很粗略，如果不完全了解定位，就很容易给自己挖坑。有时候可能会把错误的元素放在其他元素前面，要解决这个问题却没有那么简单。一般的布局方法是用各种操作来控制文档流的行为。定位则不同：它将元素彻底从文档流中移走。它允许你将元素放在屏幕的任意位置。还可以将一个元素放在另一个元素的前面或后面，彼此重叠。
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