.png){kind=icon}
返回
Multi-view self-supervised learning on heterogeneous graphs for recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.113056.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）在数据挖掘领域做出了显著贡献，但面临着稀疏图数据和标签缺失的挑战。通常，GNNs依赖简单的特征聚合来利用未标记信息，忽略了图内未标记数据固有的丰富性。图自监督学习方法能够有效利用未标记信息。然而，大多数现有的图自监督学习方法主要关注同构图，忽略了图的异构性，并且主要从单一视角考虑图结构。这些方法无法充分捕捉异构图中的复杂语义和相关性。设计能够充分捕捉和表示异构图中复杂关系的自监督学习任务具有挑战性。为了解决上述问题，我们研究了自监督HGNN问题，并提出了一种新的自监督学习机制，称为基于异构图的推荐多视角自监督学习（MSRec）。我们引入了一种最大熵路径采样器，以帮助采样包含结构上下文的元路径。通过编码由不同元路径定义的多样化视角中的信息，将其解码到不同于自身的语义空间，并在局部视角和全局视角对比学习中优化任务，这促进了两个视角之间的协作和相互监督交互，从而有效利用未标记信息进行节点嵌入学习。根据实验结果，我们的方法相较于最先进模型，在NDCG@10上表现出约7%的最优性能提升，在Prec@10上约为8%。在三个真实数据集上的实验结果表明，MSRec相较于最先进的推荐方法具有更优越的性能。
Keyword:
Heterogeneous graph embedding
Heterogeneous graph neural network
Self-supervised learning
Multi-view recommendation
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
分享收藏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
metapath2vecProceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏分享收藏
查看更多内容