.png){kind=icon}
返回
Multi-Objective Graph Contrastive Learning for Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2025.3552341.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，大量研究将自监督对比学习与图卷积网络（GCNs）相结合，以解决数据稀疏性和流行度偏差问题，从而提升推荐性能。尽管这些研究在准确率指标上取得了突破，但它们往往忽视了准确率之外的目标，如多样性、新颖性和长尾物品占比，这在实际应用中严重降低了用户体验。为此，我们提出了一种新颖的图协同过滤模型——面向推荐的多目标图对比学习（MOGCL），旨在通过考虑多个目标来提供更全面的推荐。具体而言，MOGCL包含三个模块：多目标嵌入生成模块、嵌入融合模块和迁移学习模块。在多目标嵌入生成模块中，我们采用两个具有不同目标导向的GCN编码器，分别生成针对准确率和非准确率目标的节点嵌入。这些嵌入随后在嵌入融合模块中以互补权重进行有效融合。在迁移学习模块中，我们引入一个辅助自监督任务，以促进两组嵌入之间的互信息最大化，从而使最终获得的嵌入更加稳定和全面。在三个真实数据集上的实验结果表明，MOGCL在多个目标之间实现了优于当前最优方法的最佳权衡。
Keyword:
Recommendation systems
multi-objective recommendation
collaborative filtering
contrastive learning
期刊
I
IF:
5.7
论文数:
887
被引数:
3.0K
机构
引用论文
分享收藏CoEA: A Cooperative-Competitive Evolutionary Algorithm for Bidirectional RecommendationsCoEA: 一种用于双向推荐的合作竞争进化算法
PREAI
分享收藏分享收藏NPA.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分享收藏分享收藏
查看更多内容