- 博客(41)
- 收藏
- 关注
RSS订阅原创 COSTA: Covariance-Preserving FeatureAugmentation for Graph Contrastive Learning
定量和定性地分析了当前 GCL 方法的拓扑图扩充所产生的问题，并且已经证明这种策略存在偏差问题。为了克服这种偏见，提出了特征增强框架 COSTA。
2023-05-30 17:36:17
607
原创 SGCF：Simplifying Graph-based Collaborative Filtering for Recommendation
图递归地划分为几个小尺寸的子图，以捕获节点的内部和外部结构信息，然后在压缩图中计算具有低阶传播过程的网络嵌入。
2023-03-22 15:55:07
1296
原创 AutoGCL: Automated Graph Contrastive Learning viaLearnable View Generators
采用了一组由自动增强策略编排的可学习图视图生成器，其中每个图视图生成器学习受输入条件制约的图的概率分布。
2023-02-16 20:20:22
675
原创 MAML:User Diverse Preference Modeling by Multimodal AttentiveMetric Learning
MAML和CML之间的唯一区别是前者通过使用注意力机制来模拟用户的不同偏好。
2022-12-04 16:40:46
991
原创 GLCN:Semi-supervised Learning with Graph Learning-Convolutional Networks
集成图学习和图卷积来学习最适合于半监督学习的图CNN的最优图表示。
2022-11-16 11:32:37
1012
原创 RGCF：Learning to Denoise Unreliable Interactions forGraph Collaborative Filtering论文解读
提出了一种新的基于GNN的协作过滤方法，该方法通过对不可靠交互进行降噪，名为RGCF（鲁棒图协作过滤）。我们在RGCF中设计了两个主要的技术模块。首先，我们通过识别更可靠的消息传递交互（图去噪模块）来直接改进图结构学习。其次，我们通过将从去噪交互数据和多样性增强数据（多样性保持模块）中学习到的用户偏好进行关联，进一步增强了推荐的多样性。
2022-10-31 11:12:15
1988
8
原创 DGCF:Disentangled Graph Collaborative Filtering论文及代码
利用图解缠结模块迭代地细化意图感知交互图和阶乘表示。我们进一步引入了独立建模模块以鼓励分离。推荐的有效性、用户意图的分离以及析因表示的可解释性。
2022-10-27 20:34:48
1490
原创 Enhanced Graph Learning for Collaborative Filteringvia Mutual Information Maximization
考虑到节点间的隐式反馈（没有边相连）依然有可能在某种程度上反映出用户的积极行为
2022-10-19 22:46:36
605
4
原创 FastGCNL:FAST LEARNING WITH GRAPH CONVOLUTIONAL NETWORKS VIA IMPORTANCE SAMPLING
每层采用固定数目的样本，根据节点的度，得出概率，进行重要性抽样
2022-10-16 21:14:44
967
原创 GeniePath：Graph Neural Networks with Adaptive Receptive Paths
研究了图卷积网络寻找有意义的感受路径的问题，由自适应广度函数和自适应深度函数构成的自适应路径层
2022-10-04 17:26:18
416
原创 XSimGCL: Towards Extremely Simple GraphContrastive Learning for Recommendation 论文+代码解读
XSimGCL的推荐任务和对比任务在一个小批量中共享正向/反向传播，而不是拥有单独的管道。具体来说，SimGCL和XSimGCL都使用相同的输入：初始嵌入和邻接矩阵。不同之处在于SimGCL对比了所学的两种最终表示，使用不同的噪声并依赖于普通表示进行推荐，而XSimGCL对两个任务使用相同的扰动表示，并用跨层对比替换SimGCL中的最终层对比。
2022-09-23 17:12:34
1985
原创 SimGCL:Are Graph Augmentations Necessary? Simple GraphContrastive Learning for Recommendation 论文代码解读
开发了一种简单的无图增强的CL方法，以一种更直接的方式来调节表示分布的均匀性。通过在表示中加入有向随机噪声，进行不同的数据增强和对比，提出的方法显著提高了推荐能力
2022-09-22 21:41:00
2024
1
原创 SGL：Self-supervised Graph Learning for Recommendation论文
正对的辅助监督促进了同一节点的不同视图之间的一致性来进行预测，而负对的监督则加强了不同节点之间的差异
2022-09-21 20:44:39
1307
原创 NCL:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning，代码解读
结构邻居: 通过高阶路径在结构上连接的节点考虑图结构上的用户-用户邻居，商品-商品邻居的对比关系语义邻居: 语义上相似的邻居，在图上可能不直接相邻。从节点表征出发，聚类后，节点与聚类中心构成对比关系
2022-09-21 16:48:11
1344
2
原创 NFM(Neural Factorization Machines)：模型原理及pytorch代码实现
NFM的核心创新点是Bi-Interaction池化部分来代替其他模型使用的拼接。
2022-09-14 11:11:05
2434
4
原创 解决TclError: couldn‘t connect to display “localhost:11.0“
couldn't connect to display "localhost:11.0"
2022-09-08 13:45:26
1561
原创 DeepFM： Deep+FM的pytorch实现
DeepFM的运算过程也比较简单， 左边的FM和右边的DNN共享相同的Embedding层的输入， 左侧的FM对不同特征域的Embedding进行了两两交叉（这里的Embedding向量当成了原FM的特征隐向量）， 右边的DNN对特征Embedding进行了深度交叉， 最后将FM的输出与Deep部分的输出一起送入最后的输出层，参与最后的目标拟合
2022-09-01 22:10:38
2593
2
原创 Deep&Cross（DCN）模型及torch实现
用一个Cross Network替换掉了Wide部分，来自动进行特征之间的交叉，并且网络的时间和空间复杂度都是线性的。
2022-08-31 22:11:17
2305
原创 Wide&Deep模型
该模型提出的动机以及记忆和泛化能力， 然后介绍该模型的结构原理 ，pytorch复现该模型在cretio数据集上完成推荐任务。
2022-08-31 17:16:30
609
原创 PNN(Product-based Neural Network)：模型学习及torch复现
PNN模型定义的内积和外积操作显然更有针对性的强调了不同特征之间的交互， 从而让模型更容易捕获特征的交叉信息
2022-08-30 22:13:20
1431
原创 AutoRec模型结构详解
模型的输出存储了所有数据向量的“精华”。经过自编码器生成的输出向量， 经过了自编码器的“泛化”过程， 具备了一定的缺失维度的预测能力， 这也是自编码器能用于推荐系统的原因。
2022-08-24 20:22:48
985
原创 FFM（Field-aware Factorization Machines）
相比于FM模型， FFM模型引入了特征域感知(filed-aware) 这个概念， 使得模型的表达能力更强。
2022-08-18 22:17:20
4479
原创 Factorization Machines（FM）：发展过程、原理及实现
FM主要是解决稀疏数据下的特征组合问题，并且其预测的复杂度是线性的，对于连续和离散特征有较好的通用性。
2022-08-17 11:58:13
766
原创 矩阵分解（MF）：MATRIXFACTORIZATIONTECHNIQUES FORRECOMMENDERSYSTEMS
可以通过分解协同过滤的共现矩阵来得到用户和物品的隐向量，解决了稀疏性的问题，进一步提高推荐的效果
2022-08-10 22:54:17
1456
2
原创 协同过滤（Collaborative Filtering）：UserCF and Item CF
基于用户的协同过滤算法(UserCF): 给用户推荐和他兴趣相似的其他用户喜欢的产品基于物品的协同过滤算法(ItemCF): 给用户推荐和他之前喜欢的物品相似的物品协同过滤算法是指对海量的信息进行过滤，从中筛选出目标用户可能感兴趣的信息这么一个推荐过程......
2022-08-09 22:35:39
1233
原创 module ‘distutils‘ has no attribute ‘version‘怎么解决？
module 'distutils' has no attribute 'version'
2022-08-05 09:26:48
4521
2
原创 LR—GCCF： A Linear Residual GraphConvolutional Network Approa
在本文LR_GCCF中，从两个方面重新审视了基于 GCN 的 CF 模型。首先，我们凭经验表明，去除非线性会提高推荐性能，这与简单图卷积网络中的理论是一致的。其次，我们提出了一种残差网络结构，该结构专为具有用户项交互建模的 CF 而设计，它缓解了具有稀疏用户项交互数据的图卷积聚合操作中的过度平滑问题。...
2022-07-31 18:57:33
769
原创 RGCF: Refined Graph Convolution Collaborative Filering withConcise and Expressive Embedding
RGCF 更能捕捉图中隐含的高阶连通性，得到的向量表示更具表现力
2022-07-31 16:29:57
527
原创 RippleNet论文介绍及配套pytorch代码详解
RippleNet，这是一个端到端的框架，可以自然地将知识图谱整合到推荐系统中。类似于在水面上传播的实际涟漪，RippleNet 通过沿知识图谱中的链接自动且迭代地扩展用户的潜在兴趣来刺激用户偏好在知识实体集上的传播。.........
2022-07-30 14:27:42
3738
9
原创 通俗举例讲解评价指标—recall、precision、ndcg，hit，auc
通俗举例讲解评价指标—recall、precision、ndcg，Popularity、coverage推荐系统中的常用指标，其他的陆续会加入进去,关于评价指标的讲述
2022-04-17 00:18:06
7604
1
原创 解决参数问题：An exception has occurred, use %tb to see the full traceback.SystemExit: 2
An exception has occurred, use %tb to see the full traceback.SystemExit: 2亲测解决
2022-04-14 15:00:59
8695
5
原创 图卷积网络在推荐系统中的应用lightGCN，配套pytorch的代码解释
图卷积网络在推荐系统中的应用，lightGCN论文详解加代码详细注释
2022-04-06 23:49:25
3501
3
原创 图卷积网络在推荐系统中的应用NGCF（Neural Graph Collaborative Filtering）配套pytorch的代码解释
NGCF论文详解加代码详细注释，图卷积网络在推荐系统中的应用，
2022-04-06 13:00:41
7413
24
原创 用pandas对gowalla数据集的切分
推荐系统的数据处理：（gowalla数据集）原数据大约3万用户，4万交互物品更改为大约2000用户，前1万物品主要目的是在练习算法时可以加快速度，到最后测试时在用大的数据集跑
2022-04-05 17:23:49
3746
1
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