- 博客(19)
- 收藏
- 关注
RSS订阅翻译 Nvidia TensorRT Document-- int8量化部分
Nvidia TensorRT Document-- int8量化部分
2022-11-11 15:34:07
1302
1
原创 GMCF：Neural Graph Matching based Collaborative Filtering（基于神经图匹配的协同过滤 SIGIR 2021）
Abstract：用户和物品属性是重要的附加信息;它们的相互作用(即它们在样本数据中的共现)可以显著提高不同推荐系统的预测精度。我们确定了两种不同类型的属性交互，内部交互和交叉交互:内部交互是指仅在用户属性之间或仅在项目属性之间的交互;交叉交互是指用户属性和项目属性之间的交互。现有的模型没有区分这两种类型的属性交互，这可能不是最有效的方法。为了解决这一问题，我们提出了一种基于神经网络图匹配的协同过滤模型(GMCF)，该模型通过对图匹配结构中的属性交互进行建模和聚合，从而有效地捕获两种类型的属
2021-09-08 08:57:24
1456
原创 SGCN：具有结构化图卷积网络用于推荐系统（SIGIR2021）
摘要：图卷积网络 (GCN) 在协同过滤方面非常强大, 它的关键组成部分是邻域聚合机制提取用户和项目的表示。然而，现实世界的用户-项目图通常是不完整和嘈杂的。如果 GCN 没有正确正则化，聚合会误导邻域信息导致次优性能。此外，现实世界的用户-项目图通常是稀疏的和low-rank的。这两个固有的图属性广泛用于浅矩阵完成模型，但在图模型中研究较少。在这里，作者提出了结构化图卷积网络 (SGCN)，通过稀疏性和低秩的图结构特性来提高 GCN 的性能。为了实现稀疏性，作者将 GCN 的每一层与一个可训练的随
2021-08-07 04:18:47
2240
1
原创 GraphRfi：基于GCN的用户表示学习用于统一鲁棒推荐和欺诈者检测
摘要：推荐系统的评论评级数据通常来自开放平台，这可能会吸引一群恶意用户故意插入虚假反馈，这种攻击的存在可能会违背这样的建模假设: 高质量的数据总是可用的，并且这些数据真实地反映了用户的兴趣和偏好。因此我们提出了GraphRfi——一个基于gcn的用户表示学习框架，以统一的方式执行鲁棒推荐和欺诈者检测。在其端到端学习过程中，欺诈者检测组件中用户被识别为欺诈者的概率自动决定了该用户的评级数据在推荐组件中的贡献;而推荐组件中的预测误差输出是欺诈检测组件中的一个重要特征，所以两个组件可以达到相互增强的效果，从.
2021-07-29 07:21:51
630
1
原创 GENI: Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks
核心问题：对于在kg中估计节点重要性的问题，现有方法不能充分利用kg中可用的信息，或者缺乏为实体之间的复杂关系及其重要性建模所需的灵活性。我们提出了一种有监督的机器学习方法，该方法通过谓词感知的注意机制和灵活的中心性调整，实现了注意力分数的聚合，而不是节点嵌入的聚合。挑战包括为相邻节点的重要性之间的关系建模，对不同类型的实体进行准确的估计，并结合先前的节点重要性假设来帮助模型预测。GENI应用一个注意力的GNN来感知谓词的分数聚合，以捕获节点与其邻居的重要性之间的关系。GENI还允许根据节点中心
2021-07-19 20:29:49
718
1
原创 Graph Heterogeneous Multi-Relational Recommendation （AAAI 2021）
摘要：异构多关系数据提供了结构良好的信息，可以用于高质量的推荐。早期利用这些异构数据的努力未能捕捉到用户-物品交互的高跳结构，这不能充分利用它们，可能只能实现受限的推荐性能。我们提出了一种新的多关系推荐模型，名为异构图协同过滤Graph Heterogeneous Collaborative Filtering (GHCF)。为了探索高跳异构用户-物品交互，我们利用图卷积网络(Graph Convolutional Network, GCN)的优势，并进一步改进它，联合嵌入节点(用户和物品)表示和.
2021-07-17 17:03:02
1524
原创 DGRec: 基于会话的基于动态图注意网络的社会推荐
核心问题：在线社区中的推荐是一个具有挑战性的问题：1）用户的兴趣是动态的，2）用户受到朋友的影响。此外，影响者可能是上下文相关的。提出了一种基于动态图注意神经网络的在线社区推荐系统：利用递归神经网络对动态用户行为进行建模；并利用图注意神经网络对dynamic influence进行描述，即根据用户当前的兴趣动态推断影响因素motivatingexample：首先把behaviors看作 asequence of actions (e.g., item clicks) ,为了捕获用户...
2021-07-10 16:05:45
988
原创 JKNet：基于跳跃知识网络的图的表示学习
核心问题：一个节点的表示依赖于图结构的“邻近”节点，类似于随机游走的扩展。我们构造了一种 jumping knowledge network，其可以实现对每个节点灵活地利用不同的邻域范围，以实现更好的结构感知表示（structure-aware representation）（有些节点存在于图中心，就很容易的通过几层领域信息聚合得到丰富的表示，而有一些节点存在于图边缘，需要通过多层领域信息才可以得到丰富的信息表示，所以我们提出的模型就可以自适应的选择聚合邻域信息的范围来得到节点的表示）...
2021-07-07 19:56:19
2778
原创 MixGCF: 一种改进的基于图神经网络的推荐系统训练方法 （KDD 21）
核心问题：基于gnn的CF中的负采样在很大程度上尚未被探索，利用用户-项目图结构和gnn的聚合过程来研究负抽样，我们不是从数据中取样原始负样本，而是采用一种hop mixing技术对原始负样本进行处理，然后还是会利用聚合过程获得多层信息，最终来合成得到可靠的新负样本，使其与正样本更加相似，以达到更好的训练区别正负样本边界的效果具体实现：具体来说，整体实现框架是：首先我们是可以拥有原始的负样本（即未被观察到的items都可以被看作负样本且一般方法都是随机抽样得到负样本）本文通过mixin.
2021-07-05 11:00:01
1288
原创 AKGE：面向个性化推荐的注意力知识图谱嵌入
核心问题：基于路径的方法通过从知识库中提取线性路径来建立用户-物品连接的模型，因此不能充分利用知识库丰富的语义和拓扑结构。 基于传播的方法迭代地将用户偏好传播到整个kg中，这不可避免地会引入与特定用户-项目交互无关的噪声（就是与用户项目相关性不大的entity也会被聚合在内）从而限制了性能。具体实现：我们利用连接用户-项目对的子图来表征它们的连接性：(1)子图作为独立路径的非线性组合，既包含了kg的丰富语义，又包含了kg的拓扑结构，因此比线性路径更具有表达性;(2)子图只保留了与特定的...
2021-07-03 11:08:43
772
1
原创 MCRec：利用基于元路径的上下文与神经网络共同注意力模型进行Top-N推荐
核心问题：现有模型要么是利用基于路径的语义关联性作为直接特征进行推荐，要么就是基于路径的相似性进行一些转换来学习有效的转换特征，然后利用这么转换特征来增强用户和项目的表示进行推荐。但是很少学习推荐任务中路径或元路径的显式表示，就是针对整个路径进行最后的final representation embedding。他们没有考虑 交互中元路径和所涉 及的用户-物品对之间 的相互影响。...
2021-06-22 19:56:18
1500
原创 RuleRec：利用知识图谱学习可解释规则并进行推荐
核心问题：现有的方法存在难解释性和忽略了itemassociation typesEg：如果用户购买了手机，推荐一些手机充电器或机壳是有意义的(因为它们是手机的补充品)。但如果系统立即显示他/她的其他手机(替代品)，可能会造成负面的体验，因为大多数用户不会在购买一个手机后立即购买另一个手机。所以我们可以使用这个信号来告诉用户为什么我们向用户推荐一个有明确理由的物品(eg 补充品/替代品）所以我们可以将项目映射到知识图谱后，项目之间会有多跳的关系路径。然后，我们可以总结出可解释的规则来预测每两个.
2021-06-21 20:09:30
745
1
原创 RKGE：基于递归网络的知识图嵌入进行有效推荐（RecSys18）
核心问题：知识图谱的表示学习（representation learning RL）中，通常基于embedding的方法是利用实体的一级自我网络及其属性自动学习KG中的实体嵌入，
2021-06-18 20:58:44
563
原创 CGAT-基于项目知识图的上下文注意网络推荐
核心问题：现有的基于gnn的方法明确地建模了实体与其KG中的局部图上下文(即其一阶邻域的集合)之间的依赖关系，但可能无法有效地捕获其非局部图上下文(即最相关的高阶邻域的集合)。
2021-06-17 20:03:01
533
原创 KGIN：基于知识图谱交互学习意图的推荐 （WWW 21 ’）
核心问题：提出了一个intent（意图）的概念，这里将意图定义为KG中关系的注意力组合，是用一种潜在的向量表示，无法在语义上解释。之前的研究都没有在详细的yi tu ce
2021-06-16 16:12:04
4033
原创 JNSKR 基于联合非抽样学习的知识图谱增强推荐 (SIGIR 20 ’)
核心问题：知识图谱增强推荐中模型学习方面，这些方法主要依赖于负Sam- pling (NS)对KG嵌入任务和推荐任务的模型进行优化。由于负采样不够鲁棒（例如，抽样一小部分负面实例可能会丢失大量有用的信息)，我们有理由认为这些方法不足以捕获用户、项目和实体之间的协作信息。...
2021-06-08 09:10:39
348
原创 GAEAT: 面向知识图谱补全的图自动编码注意网络
核心问题：现有方法专注于独立处理三元组中的实体和关系，无法捕获三元组周围局部邻域内固有的隐藏的复杂信息，例如，在图1中，我们可以利用与KG中的Jada Ko- ren Pinkett-Smith相关的两个三元组，即(Will Smith，妻子，Jada Koren Pinkett-Smith)和(Jada Koren Pinkett-Smith，是Jaden Smith的母亲)来推断相应的三重事实(Will Smith，是Jaden Smith的父亲)的知识。...
2021-06-06 15:47:38
1054
原创 CKAN: 面向推荐系统的协同知识感知注意网络
核心问题：现有的基于知识库的推荐方法主要关注如何有效地对知识库中的知识关联进行编码，而不突出用户-物品交互中潜在的重要的协同信号解决方法：
2021-05-31 15:36:44
1380
原创 Reinforced Negative Sampling over KG for Recommendation
项目场景：提示：这里简述项目相关背景：例如：项目场景：示例:通过蓝牙芯片(HC-05)与手机 APP 通信，每隔 5s 传输一批传感器数据(不是很大)问题描述：提示：这里描述项目中遇到的问题：例如：数据传输过程中数据不时出现丢失的情况，偶尔会丢失一部分数据APP 中接收数据代码：@Override public void run() { bytes = mmInStream.read(buffer); mHandler.obtainMessage(READ_DATA, bytes,
2021-05-29 17:09:46
230
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