RGCL:A Review-aware Graph Contrastive Learning Framework for Recommendation

A Review-aware Graph Contrastive Learning Framework for Recommendation

解决的问题

基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边特征的用户项目二分图。那么就可以利用评论感知图中独特的自监督信号来指导推荐的两个组件:用户-项目嵌入学习,用户-项目交互建模。

RGCL模型与结果

首先构造了一个评论感知的用户-项目图,图上的边包含用户-项目评级以及相应的评论语义信息,这个图具有增强的边特征,可以更好地学习每个邻居节点的权值。增加了两个额外的对比学习任务(节点鉴别和边鉴别)为推荐过程中的两个分量提供自监督信号。
得到的图结构是这样的,包含评级信息以及评论语义:在这里插入图片描述
在这里插入图片描述
此图说明了一些符号表示,并且给出基于评论的推荐的任务是预测用户-项目交互图的最终评级矩阵R^。
在这里插入图片描述
这是模型的架构图,主要包括边特征图建立、评论感知的图学习、图对比学习、评级预测。
将评分看作边类型来区分评分所携带的语义。使用BERT-Whitening为用户对项目发表的评论生成表示。评论表示的生成在模型训

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值