.png){kind=icon}
返回
Mask Diffusion-Based Contrastive Learning for Knowledge-Aware Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3582767.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识感知推荐通过使用知识图谱作为辅助信息来提高性能。最近，研究人员在知识感知推荐中引入了对比学习范式以增强表示学习。然而，大多数对比学习方法依赖手动或随机生成的知识视图，这使其难以泛化到不同的数据分布并缓解知识噪声的影响。为解决这些问题，我们提出了一种基于掩码扩散的对比学习方法用于知识感知推荐。具体而言，我们将局部掩码输入应用于扩散模型，利用掩码预测范式从全局和局部视角自适应地生成视图，从而增强模型在不同数据分布下的泛化能力。此外，我们提出了一种条件推理过程，利用用户意图提供合理的去噪指导。同时，我们设计了协同知识扩散损失，旨在提高生成数据与用户行为模式之间的一致性。通过这种方式，我们将扩散模型与对比学习相结合用于知识感知推荐，从而提升模型的泛化能力。我们在四个数据集上的实验结果证明了我们模型的有效性。
Keyword:
Diffusion model
contrastive learning
knowledge graph
graph neural network
knowledge-aware recommendation
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
Graph Signal Diffusion Model for Collaborative FilteringZhu, Y., Wang, C., Zhang, Q., & Xiong, H. (2024a). 图信号扩散模型用于协同过滤。在 Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 1380–1390) 的论文集。
.png){kind=icon}
PREAI
分享收藏ML-KGCL: Multi-level Knowledge Graph Contrastive Learning for RecommendationML-KGCL：多级知识图谱对比学习推荐
PREAI
分享收藏
Multi-view self-supervised learning on heterogeneous graphs for recommendation异构图上的多视角自监督学习用于推荐
PREAI
分享收藏
查看更多内容