- 博客(14)
- 收藏
- 关注
RSS订阅原创 【已解决】git push 报错： ! [remote rejected] main -＞ main (pre-receive hook declined)
解决! [remote rejected] main -> main (pre-receive hook declined)或 ! [remote rejected] master -> master (pre-receive hook declined)
2023-07-20 20:52:23
9692
原创 ValueError:only one element tensors can be converted to Python scalars
ValueError:only one element tensors can be converted to Python scalars
2023-06-02 16:07:39
391
原创 TypeError: expected Tensor as element 0 in argument 0, but got Embedding
TypeError: expected Tensor as element 0 argument 0, but got Embedding
2023-05-15 22:16:46
865
原创 RuntimeError: sparse tensors do not have strides
RuntimeError：sparse tensors do not have strides
2023-05-13 18:17:59
404
原创 [论文笔记] 2022-TKDE-Enhancing Social Recommendation With Adversarial Graph Convolutional Networks
大多数现有的社会化推荐模型只考虑社交网络中的同质性，而忽略了以下几点：（1）大多数用户在社交网咯中只有非常有限的邻居，很难从社交关系中受益；（2）社会关系嘈杂，但却被滥用；（3）社会关系被认为普遍适用于多种场景，而它们实际上是多方面的，并在不同的场景中表现出异质的优势。针对以上问题，本文提出一个基于图卷积网络（GCN）的深度对抗性框架（EhancedSocialRF具体来说，对于问题（1）和（2），开发了一种基于GCN的自动编码器。
2023-04-14 18:35:29
411
1
原创 [论文笔记] 2022-ICDE-Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks
现有的方法大多假设社会关系可以均匀地应用于所有的物品，这对于用户实际不同的偏好是不现实的。本文认为社会关系的影响应该是不均匀的，即两个社会相关的用户可能只对某些特定的产品具有相同的偏好，而对于其他产品，他们的偏好可能是不一致的甚至是矛盾的。在这一思想的启发下，建立了一个新的社会化推荐模型，将传统的成对“用户-用户”关系扩展为“用户-物品-用户”的三元关系。为了很好地处理这种高阶关系，将框架建立在超图的基础上。更具体地说，每个超边连接一个用户-用户-物品三元组，表示两个用户在物品上共享类似的偏好。
2023-04-09 21:45:52
363
1
原创 [论文笔记] 2021-Hindawi-Social Recommendation System Based on Hypergraph Attention Network
代码链接：TensorFlow，未找到代码资源由于图结构在社交网络和图神经网络中强大的表示能力，图神经网络在社会化推荐系统中的应用变得越来越广泛。尽管图神经网络已经成功应用于社会化推荐系统，但实际应用中性能受到限制。主要原因在于它们只利用了成对的用户关系，无法捕获用户之间的高阶关系。针对这一问题，本文提出一个模型——HASRE，将超图注意力网络应用到社会化推荐系统中。具体来说，使用超图建模用户之间的高阶关系；使用图注意力机制捕获不同朋友的影响，并自适应地为用户提供模型选择信息。
2023-04-06 21:39:38
187
1
原创 [论文笔记] 2020-Hypergraph Convolution and Hypergraph Attention
大多数算法都假设了感兴趣的对象的成对关系。然而，在许多实际应用程序中，对象之间的关系是高阶的，超出了成对的公式。为了有效地学习高阶图结构数据上的深度embedding，本文在图神经网络家族中引入了两个端到端的可训练算子，即超图卷积和超图注意力。超图卷积定义了在超图上执行卷积的基本公式，超图注意力通过利用注意力模块进一步增强了表示学习的能力。有了这两个算子，图神经网络很容易扩展到一个更灵活的模型，并应用于观察到非成对关系的各种应用。现在大多数的方法都假设感兴趣的对象之间的关系是成对的。
2023-04-05 20:01:26
1219
原创 [论文笔记] 2019-AAAI-Hypergraph Neural Networks
本文提出了一种用于数据表示学习的超图神经网络（HGNN）)框架，该框架可以在超图结构中编码高阶数据相关性。该方法设计了超边卷积运算来处理表示学习过程中的数据相关性，能够学习考虑高阶数据结构的隐层表示，是考虑复杂数据相关性的通用框架。对引文网络分类和视觉目标识别任务进行了大量实验，实验结果表明，本文提出的HGNN方法优于目前最先进的方法，同时在处理多模态数据时具有更好的性能。传统图卷积神经网络方法应用数据之间成对的连接，但在实际场景中超过成对连接，甚至更复杂。社交媒体数据中，数据之间复杂的关系如图1所示。
2023-03-31 16:34:38
755
1
原创 [论文笔记] 2015-AAAI-TrustSVD
论文题目：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings协同过滤存在数据稀疏性和冷启动等问题，极大地降低了推荐性能。为了帮助解决这些问题，提出TrustSVD，一种基于信任的矩阵分解技术。通过分析来自四个真实数据集的社会信任数据，得出结论，在推荐模型中，应该考虑评分和信任的显式影响和隐式影响。
2023-03-28 15:37:06
343
1
原创 [论文笔记] 2019-WWW-Graph Neural Networks for Social Recommendation
近年来，图神经网络（GNNs）可以自然地整合节点信息和拓扑结构，被证明具有强大的图数据学习能力。GNN的这些优势为社会化推荐提供了巨大的发展潜力，因为社会化推荐系统中的数据可以表示为用户-用户社交图和用户-物品交互图；学习用户和物品的潜在因素是关键。然而，基于GNN的社会化推荐系统的构建面临着挑战。例如，用户-物品图编码交互和相关的意见；社会关系具有异质性的特点；用户涉及两个图（如，用户-用户社交图和用户-物品图）。为了同时解决上述三个挑战，本文提出了一种。
2023-03-25 15:54:01
152
1
原创 [论文笔记] 2022-TKDE-Semantic and Structural View Fusion Modeling for Social Recommendation
现有研究表明，联合使用用户-物品交互数据和社会关系数据可以提高社会化推荐的性能。然而，有限的研究集中于研究如何深入利用社会互动结构的不同视图和评分行为差异，以进一步改善社会化推荐。为此，本文提出将语义和结构视图中的信息集成到社会化推荐中。具体来说，首先设计了一个基于集体智慧的策略来揭示用户和物品的高质量隐式关系。然后，通过将所有可用的节点和关系重新表述为一个异质图，其中定义了多种语义元路径，以捕捉全面的用户和物品表述的不同偏好。虽然各种元路径扩大了用户和物品的表示能力，但它们也引入了噪音和不相关的信息。
2023-03-09 14:39:45
552
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