- 博客(12)
- 收藏
- 关注
原创 Multi-Sample based Contrastive Loss for Top-kRecommendation(IR 2021)
在 CL 中,将同一批次中的所有非正样本作为负样本,可以简单的快速获取大量负样本,CL_loss 意在最大化正对的相似性并最小化负对的相似性。而BPR 一般采用随机抽取的方式使用一个或几个负样本,BPR_loss意在最大化正样本和负样本之间的距离。它们都是通过对比过程学习的,所以BPR 损失也可以看成对比损失的一种。为解决 CL 中正负样本不均衡的问题,作者提出了多采样正样本的 CL ,如上图。正负样本添加了权重来权衡它们之间的重要性,还可以同时使用多个正样本来参与 CL。...
2022-06-10 13:38:40
396
翻译 Self-supervised Learning for Large-scale Item Recommendations (CIKM 2021)
论文名称:基于自监督学习的大规模项目推荐论文地址:Self-supervised Learning for Large-scale Item Recommendations | Proceedings of the 30th ACM International Conference on Information & Knowledge Management论文主要内容:本文主要提出了 SSL 框架,才用对比学习的方式用于推荐中召回模型的训练,使模型去的更好的效果。动机:自监督学习
2022-05-27 14:21:08
591
1
原创 Self-supervised Graph Learning for Recommendation-----SIGIR2021(个人笔记)
论文:自监督图学习推荐系统 (SIGIR2021)文章链接:http://staff.ustc.edu.cn/~hexn/papers/sigir21-SGL.pdfhttp://staff.ustc.edu.cn/~hexn/papers/sigir21-SGL.pdfCode:https://github.com/wujcan/SGL-TensorFlowhttps://github.com/wujcan/SGL-TensorFlowGitHub - wujcan/SGL-Torch: S.
2022-05-13 13:58:14
610
原创 Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning(个人笔记)
论文:利用邻域丰富的对比学习改进图形协同过滤(NCL) WWW22文章链接:https://arxiv.org/abs/2202.06200v1https://arxiv.org/abs/2202.06200v1代码链接:https://arxiv.org/abs/2202.06200v1https://arxiv.org/abs/2202.06200v11. 前言1.1 提出的问题 (图神经协同过滤)a.用户-项交互数据通常是稀疏的或有噪声的,它可能无法学习可靠的表示,因为基于图的..
2022-04-26 00:44:23
1535
3
原创 MixGCF: An Improved Training Method for Graph NeuralNetwork-based Recommender Systems(个人笔记)
论文:MixGCF:一种改进的基于图神经网络的推荐系统训练方法(KDD.2021)文章链接:MixGCF | Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining代码链接:https://github.com/huangtinglin/MixGCF (Pytorch版)1. 前言1.1 提出的问题a. 推荐模型中广泛使用的 CF 存在的一大弊端就是不能很好的学习到隐式负
2022-04-18 20:31:55
893
原创 Interest-aware Message-Passing GCN for Recommendation(个人笔记)
论文:兴趣感知信息传递GCN(WWW.2021)文章链接:https://arxiv.org/abs/2102.10044代码链接:GitHub - liufancs/IMP_GCN(原版-tensorflow1.x) GitHub - PTMZ/IMP_GCN: Pytorch Implementation of Interest-Aware Message-Passing GCN for Recommender Systems(Pytorch版)1. ...
2022-04-17 10:26:42
1120
1
原创 Adversarial Personalized Ranking for Recommendation(个人笔记)
上周总结了一篇关于CPR_loss的文章,指导老师提出CPR_loss在采集正负样本标的标准和生成对抗网络方面有一些相似处,所以这周我就找到这一篇文章并加以总结。有趣的是,这一篇文章也是何向南老师组于2018年发表于SIGIR,下文我们简称为APR。论文链接:https://arxiv.org/abs/1808.03908代码链接:GitHub - hexiangnan/adversarial_personalized_ranking: Adversarial Learning, Matrix Fa
2022-04-11 19:50:59
1553
2
原创 UltraGCN: Ultra Simplification of Graph ConvolutionalNetworks for Recommendation(个人笔记)
该文章发表在CIKM'2021,在何向南老师的LightGCN上做出了进一步的改进。论文链接:https://arxiv.org/abs/2110.15114代码链接:https://github.com/xue-pai/ultragcn文章首先指出了LightGCN的三个不足,如下:1)消息传递期间在边缘上分配的权重违反直觉,这可能不适用于CF。2)传播过程递归地将不同类型的关系对(包括用户项对、项项项对和用户用户对)组合到模型中,但未能捕捉到它们不同的重要性。这也可能会引入嘈杂且
2022-04-08 15:18:30
4168
原创 Cross Pairwise Ranking for Unbiased Item Recommendation(个人笔记)
该文是何向南老师组的又一大精品文章,成功入选WWW2022。何向南老师个人网址:Xiangnan He's Homepage论文链接:http://staff.ustc.edu.cn/~hexn/papers/www22-cpr.pdf代码链接:https://github.com/Qcactus/CPR这里简单介绍一下这次的会议WWW2022。TheWebConf 成立于1989年,原名为“The International World Wide Web Conference (WWW)”
2022-04-04 16:44:24
1818
翻译 Utilization of Real Time Behavior and Geographical Attraction for Location Recommendation (个人笔记)
文章《Utilization of Real Time Behavior and GeographicalAttraction for Location Recommendation》(利用实时行为和地理吸引力进行位置推荐)出自TSAS,Volume 8, Issue 1,March 2022。文章地址:Utilization of Real Time Behavior and Geographical Attraction for Location Recommendation | ACM Trans
2022-02-28 15:13:14
144
原创 基于深度学习的个性化物品推荐研究——吴国栋(论文总结)
论文链接:基于深度学习的个性化物品推荐研究 - 中国知网该论文分别从局部相似性预测推荐模型 LSPCNN‘’
2022-02-08 14:29:19
1157
原创 Light-GCN数据集
1>关于Light-GCN所使用的数据集----Gowalla数据内容包括:好友关系数据集和签到数据集(好友关系数据集未使用,以下只介绍签到数据集)图 1 在签到数据集中,每个用户的每一次签到记录作为一条记录,签到的具体属性分列表示。每条签到记录包括用户ID(User-ID)、签到时间(Check-in Time)、签到地点的维度(Latitude)、签到地点的经度(Longitude)、以及每个地区的经纬度所唯一对应的地点ID(Location-ID)。其中,用户ID一一...
2021-12-29 19:16:57
1358
9
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人