.png){kind=icon}
返回
Information Compensation Graph Contrastive Learning for Recommendation
.png){kind=icon}
OA
AI
DOI：10.1007/s11063-024-11701-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将图卷积神经网络应用于协同过滤是当前推荐系统中的一种新颖方法，该方法已取得合适的效果。然而，某些问题仍限制了图协同过滤的性能，例如数据均匀性问题。换句话说，经过多次卷积后不同数据的嵌入表达质量降低，导致推送模型性能下降。在本文中，我们提出了利用特征嵌入的全局信息补偿进行自监督对比学习，能够有效缓解数据均匀性问题并提高模型鲁棒性。同时，我们还提出了一种采用局部协同传播的图卷积方法以提升推荐模型性能。这种局部协同传播的嵌入计算方法可以最大化低层嵌入对高层嵌入的影响，从而改善高层嵌入的均匀性。实验表明，与基线模型相比，我们的模型在三个公开数据集上均展现出显著提升的性能。在ML-1M数据集的部分实验中，所提出的ICCL方法性能提升了7.96%，证明了我们的方法是有效且可解释的。
Keyword:
Recommendation system
Collaborative filtering
Graph neural network
Contrastive learning
期刊
IF:
2.8
论文数:
176
被引数:
5.5K
机构
引用论文
分享收藏KGAT.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Dual-regularized matrix factorization with deep neural networks for recommender systems推荐系统中基于深度神经网络的双正则矩阵分解
PREAI
分享收藏分享收藏
查看更多内容