【GCN-RS】Learning Explicit User Interest Boundary for Recommendation (WWW‘22)

最新推荐文章于 2024-10-14 09:08:48 发布
最新推荐文章于 2024-10-14 09:08:48 发布
阅读量242 收藏
点赞数
分类专栏： 论文解读 推荐系统 图神经网络 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yanguang1470/article/details/125903419
版权
这篇论文提出了Learning Explicit User Interest Boundary的方法，用于推荐系统。通过点wise和pairwise损失函数结合，以及混合损失来学习用户兴趣边界。该方法能够作为去偏方法，通过限制popularity bias大的用户的评分边界，动态调整margin loss。同时，正样本损失的优化可以视为对高频用户的一种惩罚正则化，以调整边界分数。
摘要由CSDN通过智能技术生成

Learning Explicit User Interest Boundary for Recommendation (WWW’22)

在这里插入图片描述

Pointwise loss:
L = ∑ ( u , x ) ∈ T ψ ( s ( u , x ) , l ( u , x ) ) \mathcal{L}=\sum_{(u, x) \in \mathcal{T}} \psi(s(u, x), l(u, x)) L=(u,x)∈T∑​ψ(s(u,x),l(u,x))
Pairwise loss:
L = ∑ ( u , p ) ∈ I ∑ ( u , n ) ∉ I ϕ ( s ( u , n ) − s ( u , p ) ) \mathcal{L}=\sum_{(u, p) \in I} \sum_{(u, n) \notin I} \phi(s(u, n)-s(u, p)) L=(u,p)∈I∑​

最低0.47元/天 解锁文章
chad_lee
关注
专栏目录
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
【GCN-RS-Defence】GCN-Based User Representation Learning for Unifying Robust Recommendation and Frauds
chadlee
11-21 1241
GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection (SIGIR’20) 造了一个模型可以同时实现鲁棒推荐系统和欺诈检测。评分预测用GCN，欺诈检测用NRF，把两个模块塞进一个模型中，两个模块也互相扶助。 模型输入 模型输入除了U-I二部图以外还有用户行为数据的统计特征xu∈Rb\mathrm{x}_{u} \in \mathbb{R}^{b}xu​∈Rb： 模
dm9000_(www.22dm.com)_DM9000_
10-02
wince下dm9000的驱动，S2440+wince5.0
Arxiv21|显式学习推荐系统中用户兴趣边界
宇宙哇
12-06 256
论文标题：Learning Explicit User Interest Boundary for Recommendation 作者：Jianhuan Zhuo, Qiannan Zhu, Yinliang Yue, Yuhong Zhao 单位：信工所&人大 论文链接：http://arxiv.org/pdf/2111.11026 今天给朋友们分享一篇今年 11 月底公开在 Arxiv 上的论文：Learning Explicit User Interest Boundary for Re..
http://www.redbottomshoesbuy.net 22
congtiao6766的博客
05-16 343
author img { float: left; margin: 0px 7px 0px 0px; } divmainlink {font-family: Arial, Helvetica, sans-serif;font...
WWW'22「微软」FeedRec：基于多反馈的新闻Feed推荐
abcdefg90876的博客
03-30 553
关注我们，一起学习~title：FeedRec: News Feed Recommendation with Various User Feedbackslink：https://arxiv.org/pdf/2102.04903.pdfcode：https://github.com/wuch15/FeedRecfrom：WWW 20221. 导读大多数现有的新闻推荐方法都...
WWW‘22 推荐系统论文之图神经网络篇
公众号/知乎: AI算法札记，欢迎关注交流
06-29 2597
基于图网络的推荐系统论文，主要改进思路：无需使用给定的社交网络、局部和全局信息利用 (本身local，主要是global)、高阶信息利用、结构邻居与语义邻居、互蒸馏、时空信息利用等，基本是将图网络的一些进展迁移到推荐系统领域。...
CVPR2019论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
CVPR2021论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
2020年 ICLR 国际会议最终接受论文(poster-paper)列表(二)
热门推荐
yinizhilianlove的博客
02-21 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-02-21     2020年的ICLR会议将于今年的4月26日-4月30日在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。     2020年ICLR会议（Eighth International Con...
【GCN-RS】对比学习SGL：Self-supervised Graph Learning for Recommendation (SIGIR‘21)
chadlee
11-18 1614
Self-supervised Graph Learning for Recommendation (SIGIR‘21) 还是何向南组提出的图自监督学习框架，对用户-物品的二部图上的节点、边做dropout等方法实现数据增强，产生许多子视图，在多个子视图上进行对比学习，实现自监督。再配合监督学习，多任务学习。 作者提出的图自监督学习框架SGL可以改善长尾、提高鲁棒。SGL只是一个框架，里面的图表示学习方法可以用LightGCN等。 数据增强 一般GNN对节点编码的方式： Z1(l)=H(Z1(l−1),G
【GCN-RS】Region or Global? A Principle for Negative Sampling in Graph-based Recommendation (TKDE‘22)
chadlee
07-21 710
在GCN-RS里，负采样应该选取距离user中间的区域，太近的区域一般是用户聚合的物品，太远的没什么信息量，距离不远不近的样本可以看作是信息量比较大的难样本。类似于MixUp技术，为了得到user的难负样本，不仅仅和user。远小于整个物品集，但我在数据集上统计仅仅是3-hop，绝大部分。是超参数，用于平衡用户和物品的影响。累计分数，但是如果不在中间区域的话，不计数。定义距离userk阶的物品是中间区域。越近的物品，作为负样本的概率越大。有关，还和user的正样本。中用两种策略得到难负样本。...
Interest-aware Message-Passing GCN for Recommendation WWW2021
qq_39091546的博客
05-17 1283
ABSTRACT 图卷积网络(GCNS)在推荐方面显示出巨大的潜力。这归功于他们通过利用来自高阶邻居的协作信号来学习好的用户和项目嵌入的能力。与其他GCN模型一样，基于GCN的推荐模型也存在一个臭名昭著的过度平滑问题–当堆叠更多层时，节点嵌入会变得更加相似，最终无法区分，从而导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这一问题，然而，我们认为它们忽略了推荐中过度平滑问题的一个重要因素，即没有用户共同兴趣的高阶相邻用户也可以参与用户在图形卷积操作中的嵌入学习。因此，多层图卷积将使兴
【WWW‘ 22】Unbiased Sequential Recommendation with Latent Confounders
qq_42898299的博客
01-13 1067
最近序列推荐由于其更贴合实际的设置获得了逐渐增加的吸引力以及更好的推荐效果。通过对用户连续动作之间的关系进行建模，使得序列推荐优于传统的推荐。FPMC[22]模型基于用户最新的行为估计当下的用户偏好。GRU4Rec[16]模型将循环神经网络引入，来建模更加综合的历史信息。NARM[17]使用注意力机制来区分不同用户行为的重要性。这些模型持有的主要假设是，训练数据可以很好地表示用户的序列偏好。然而，该假设在实际中是存疑的。
【文档智能】文本文字识别、公式识别、表格文字识别核心算法及思路及实践-DBNet、CRNN、TrOCR
余俊晖，NLP炼丹师，目前专注自然语言处理领域研究。曾获得国内外自然语言处理算法竞赛TOP奖项近二十项。
10-13 1271
OCR技术作为文档智能解析链路中的核心组件之一，贯穿整个技术链路，包括：文字识别、表格文字识别、公式识别，参看下面这张架构图：前期介绍了很多关于文档智能解析相关核心技术及思路，本着连载的目的，本次迎来介绍整个链路中的最后一块拼图-OCR。本文简要介绍OCR常见落地的算法模型-DBNet、CRNN，并基于这两个模型，简单介绍文字识别在表格识别中参与的角色；并且额外介绍TrOCR这个端到端的模型，基于这个模型引入公式识别解析的思路及微调方法。
在顺序结构和链式结构的线性表上实现顺序检索算法
m0_56332819的博客
10-13 218
在顺序结构和链式结构的线性表上实现顺序检索算法，C语言
Python 使用 Jarvis 算法或包装的凸包（Convex Hull using Jarvis’ Algorithm or Wrapping）
最新发布
csdn_aspnet的专栏
10-14 1154
例如，当输入 (0, 3), (0, 0), (0, 1), (3, 0), (3, 3) 时，它产生 (0, 3) (0, 0) (3, 0) (3, 3) 的输出；当输入 (0, 3), (0, 1), (0, 0), (3, 0), (3, 3) 时，输出为 (0, 3) (0, 1) (0, 0) (3, 0) (3, 3)。下一个点被选为在逆时针方向上领先于所有其他点的点，即，如果对于任何其他点 r，我们有“orientation(p, q, r) = 逆时针”，则下一个点是 q。
力扣10.13
qq_40052678的博客
10-13 362
如果鸡蛋碎了，你就不能再次使用它。如果某枚鸡蛋扔下后没有摔碎，则可以在之后的操作中 重复使用 这枚鸡蛋。每次操作，你可以取一枚 没有碎 的鸡蛋并把它从任一楼层。，以此类推，因此只需要判断最后的层数是否超过建筑高即可。楼层或比它低 的楼层落下的鸡蛋都 不会碎。函数传入操作次数k，可以发现，最优情况一定先在。确切的值 的 最小操作次数 是多少？的楼层落下的鸡蛋都 会碎 ，从。枚相同 的鸡蛋，和一栋从第。请你计算并返回要确定。
c语言练习题2(字符串和函数的使用)
m0_74859128的博客
10-10 365
回文函数用于判断一个给定的字符串是否为回文。输入是一个字符数组（字符串），输出是一个布尔值，表示该字符串是否为回文。编写一个 C 语言程序，计算两个整数在二进制表示中有多少位不同。2. 比较这两个整数在二进制表示中的每一位（共32位）是否不同。1. 提示用户输入两个整数。3. 统计不同的位的数量。4. 输出不同的位数。
GCN和GCN-Chebyshev
05-10
GCN和GCN-Chebyshev都是图卷积网络（Graph Convolutional Network）的变种。 GCN使用邻接矩阵进行卷积操作，每一层的输出都是对邻居节点的加权平均。它可以被看作是对每个节点使用相同的权重进行求和，因此在处理...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值