.png){kind=icon}
返回
Knowledge-Enhanced Graph Contrastive Learning for Recommendations
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3626976.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图对比学习（GCL）通过从增强图中捕获关键特征来解决数据稀疏性问题，最近在提升推荐性能方面显示出巨大潜力。大多数基于GCL的推荐方法通过结构扰动从用户-物品二分图中学习一致的实体表示。然而，这些方法增加了额外的计算成本，且已被证明对各种图增强操作不敏感，导致在长尾推荐场景中改进有限。为解决此问题，我们提出了一种新颖的推荐框架——知识增强图对比学习（KECL），其采用基于知识图谱的嵌入增强而非图增强来构建GCL的视图。具体而言，我们引入了一个带有异构注意力聚合器的知识聚合模块，以捕捉知识图谱中的关系异质性。此外，我们提出了一个基于知识的增强GCL模型，通过将知识感知嵌入添加到学习到的表示中，实现更高效的表示级增强。在真实数据集上的大量实验表明，基于知识的增强方法能够有效提升推荐性能，并在性能上优于当前最先进的方法。
Keyword:
Recommendation system
knowledge graph
contrastive learning
data augmentation
期刊
IF:
9.7
论文数:
4.5K
被引数:
2.4W
机构
引用论文
Leveraging Meta-path based Context for Top- N Recommendation with A Neural Co-Attention Model.png)
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
分享收藏
查看更多内容