.png){kind=icon}
返回
Graph Contrastive Learning on Multi-label Classification for Recommendations
.png){kind=icon}
PRE
AI
DOI：10.1145/3725854.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在商业分析中，提供有效的推荐对于提升公司利润至关重要。图结构，特别是二分图，被广泛用于分析复杂数据关系。链接预测对于向用户推荐特定项目至关重要。传统方法主要关注二元分类任务。这些方法，无论是识别图结构中的模式还是使用如图神经网络（GNNs）这样的表示技术，都面临着数据量和标签数量增加的挑战。数据增长会削弱系统性能和效率。更多的标签加剧了数据稀疏性，因为用户和项目仅关注少数标签，导致稀疏矩阵阻碍推荐算法。为解决这些问题，我们引入了用于多标签分类的图对比学习（MCGCL）模型。它使用对比学习来改进推荐，并具有两个训练阶段：一个主要任务是整体用户-项目图学习以掌握用户-项目关系，一个子任务是构建同质用户-用户（项目-项目）子图以捕捉用户-用户和项目-项目关系。与最先进方法的比较实验证实了MCGCL的有效性，突显了其改进推荐系统的潜力。
Keyword:
graph neural networks
link prediction
multi-label classification
contrastive learning
recommendation systems
期刊
IF:
6.6
论文数:
1.5K
被引数:
6.2K
机构
暂无机构信息
.png){kind=icon}
