![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
文章平均质量分 93
VieleZMaya
刚入门大数据科学的程序小白一枚
展开
-
Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System—推荐系统读书笔记(三):MCCLK
背景及问题:在知识图谱在推荐系统中扮演越来越重要角色的同时,GNN也逐渐成为知识感知推荐(KGR)的主题,但是传统的基于GNN的KGR模型有个缺点——监督信号稀疏。Idea:于是,受到对比学习在从数据本身挖掘有监督信号方面的成功的启发,本文作者专注于探索对比学习与KGR的结合,并提出了MCCLK。模型(结构)概述:与传统对比学习方法通过统一的数据增强方案(如腐败或下降)生成两个图视图不同,作者综合考虑了三种不同的图视图,包括全局级结构视图、局部级协同视图和语义视图。原创 2022-12-09 16:22:48 · 2660 阅读 · 4 评论 -
推荐系统读书笔记(二):DisenKGAT——知识图谱解耦表征
传统知识图谱补全方法单一、静态,不足以准确地捕获复杂关系。本文作者提出了一种新的解耦知识图谱注意网络(DisenKGAT),它利用微观解耦(新的关系感知聚合)和宏观解耦(利用互信息作为正则化来增强独立性)来挖掘知识图谱背后的表示,效果甚好。原创 2022-12-02 18:43:29 · 1206 阅读 · 0 评论 -
推荐系统读书笔记(一):KGAT
传统方法如因子分解机(FM)将user-item关系+侧信息建模其视为一个监督学习问题,由于忽略了实例或项目之间的关系,不足以从用户的集体行为中提取协作信号。知识图谱通过高阶连通(用一个/多个链接属性连接两个item)能打破独立交互假设,利用节点(user、item、attribute均可)的邻居递归传播嵌入以细化本节点嵌入注意力机制相比提取路径(耗费大量人工)、正则化隐式建模(无法捕获远程连接,无法解释高阶连通结果),在便捷性和显式融合高阶关系以优化推荐目标方面更优。原创 2022-11-25 21:19:23 · 1456 阅读 · 0 评论