.png){kind=icon}
返回
Multi-side contrastive learning with intent-enhanced for knowledge recommendation
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03021-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）通过提供辅助信息在解决推荐系统中的数据稀疏性和冷启动问题上发挥着关键作用。然而，现有的基于知识图谱的推荐模型仍面临两大挑战。第一是过度关注捕捉热门意图，导致对可能提升推荐效果的利基意图利用不足。第二是忽视知识侧的主动学习，同时未能有效提升协同信号和知识信息质量。为应对这些挑战，本文提出了多侧对比学习与意图增强（MCLI）框架。具体而言，我们构建了一个意图增强的知识图谱，以克服仅关注热门意图的局限性，同时捕捉对推荐有价值的利基意图。接着，我们通过局部特征聚合器从双侧图（交互侧和知识侧）中编码任务相关信息，并在交互侧与知识侧之间执行双视角对比学习，以促进知识侧信息的主动学习。此外，我们保留协同知识侧的全局结构，并与其两侧之间进行全局视角对比学习，以确保模型保留所有相关信息。与强调局部和非局部图对比的最新基准KGIC不同，MCLI整合了能捕捉利基意图的增强知识图谱，并采用双视角对比学习从交互侧和知识侧中提取任务相关信息。在Last.FM数据集上，MCLI在CTR预测上实现了显著提升，AUC和F1分别提升了3.48%和5.29%。
Keyword:
Recommender systems
Knowledge graph
Graph neural networks
Contrastive learning
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
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Self-supervised Graph-level Representation Learning with Adversarial Contrastive Learning基于对抗性对比学习的自监督图级表示学习
OAAI
OAAI分享收藏
查看更多内容