.png){kind=icon}
返回
Enhanced Graph Diffusion Learning with Transformable Patching via Curriculum Contrastive Learning for Session Recommendation
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14102089.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
会话推荐中融合了会话内物品信息表示和会话间物品转换模式的融合建模已显示出性能优势。然而，现有研究仍面临以下挑战：(1) 会话内物品转换的复杂关系的时间变化效应需要深入探索；(2) 会话间物品转换模式缺乏有效的表示。为解决这些挑战，我们提出了一个新的会话推荐方法，命名为EGDLTP-CCL。具体而言，我们首先设计了一种基于补丁增强的门控神经网络表示会话物品转换模式，通过设计的Transformer补丁策略，准确捕捉会话内物品转换复杂关系的时间动态变化影响。然后，我们开发了一种基于能量约束的图扩散模型来捕捉会话间物品转换模式，通过引入能量约束策略，缓解了图扩散模型对真实会话间物品转换模式模拟不佳的问题。此外，将补丁增强的门控神经网络和能量约束的图扩散模型视为对比学习框架中的两种不同视图。通过引入一种课程学习策略，探索如何在对比学习框架中有效选择和训练负样本，从而深度提升对比学习任务的性能。最后，我们结合推荐任务和课程学习对比学习任务，基于多任务学习策略进行联合训练和优化，以进一步提升推荐性能。在真实数据集上的实验表明，EGDLTP-CCL显著优于当前最先进的方法。
Keyword:
graph diffusion
transformer
contrastive learning
recommendation
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly DetectionOAAI
OAAI分享收藏分享收藏
分享收藏分享收藏
查看更多内容