韭菜茁壮成长-CSDN博客

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

qq_29717841的博客