【论文理解】Graph Neural News Recommendation with Unsupervised Preference Disentanglement

最新推荐文章于 2022-02-25 00:04:13 发布
原创 最新推荐文章于 2022-02-25 00:04:13 发布 · 1.6k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#数据挖掘 #机器学习

介绍GNUD模型，一种结合图神经网络和无监督偏好分离的新闻推荐系统，通过考虑用户-新闻交互的高阶连通性和潜在偏好因子，提高推荐准确性。

本片论文是2020中国入选ACL的论文之一，是北邮计算机学院图数据挖掘和机器学习实验室的石川老师等和微软亚洲研究院合作完成的项目，我简单拜读了一下，写一点自己的浅薄理解，如有不对还请指出！

1. 基本要素

新闻推荐核心：如何更好的了解用户和新闻的表征。

consider high- order connectivity underlying the user-news interactions：一般的方法通常关注新闻内容，很少考虑用户新闻交互的高阶连通性形式。

model the user- news interactions as a bipartite graph：将用户新闻交换信息转换成二分部图G = { U, D, E }，U表示用户集合，D表示新闻集合，E表示边的集合。

GNUD：具有无监督偏好分离的图神经新闻推荐。考虑用户-新闻交互图下的高阶结构信息。

neighborhood routing：the learned representations are disentangled with different latent preference factors （通过一种邻域路由机制，将不同的潜在偏好因子分解为已学习的表示法）考虑不同的潜在因素

preference regularizer：设计了一个偏好正则化器来强化每个解纠缠子空间独立地反映一个孤立的偏好

2. The high-order relationship：u1-d1-u2

最低0.47元/天 解锁文章
新闻推荐论文 Graph Neural News Recommendation with Unsupervised Preference Disentanglement
Braylon的博客
09-28 1306
文章目录简介作者Core problemCurrent methodMain workAssumptionArchitectureNews Content Information ExtractorGNUDPreference RegularizerTraining LossNoteExperiments Res 简介 我将不定期带来推荐方面的论文研读。 我会比较直入主题，讲论文中的主要部分和精华进行提炼和总结，希望大家能有所收获。 作者 来自石川老师的团队，国内比较有名的新闻推荐团队。 这篇论文发表在A
(ACL+ICML)2020推荐系统相关论文聚焦
张小磊的博客
07-03 1411
前言第58届国际计算语言学协会年会（ACL，The Association for Computational Linguistics）将于2020年7月6号-8号线上举行。官网公布了A...
GNUD:ACL 2020论文“无监督偏好解开的图神经新闻推荐”的源代码
05-09
GNUD ACL 2020论文“无监督偏好解开的图神经新闻推荐”的源代码 处理数据 链接： ://pan.baidu.com/s/1RITM6sFbly-CXkboczjBQA提取码：zlh1
Graph-based-Recommendation-System:图卷积矩阵完成
03-11
基于图的推荐系统 我们仓库的结构 . |-- README.md (here) |-- log (saved tensorboard log file) |-- ml-100k (raw dataset) |-- weights (saved model weights) |-- text (grid search text and ablation study results) |-- data (processed data) |-- Network Visualization.ipynb (Notebook for visualization of graph) |-- scripts -- run.sh(shell scripts for running gridsearch experiments) -- dataset.py -- train.py -- m
Studying Recommendation Algorithms by Graph Analysis
sunshinewx1的博客
10-21 851
这是我读完Studying Recommendation Algorithms by Graph Analysis这篇论文所做的笔记，绝非原创只是一些零碎知识的整理。不妥之处还望广大博友积极提出意见！                           Studying Recommendation Algorithms                              
CIKM2019-graph-for-recommendation.pdf
11-11
CIKM2019-graph-for-recommendation,CIKM会议报告。 Collaborative Filtering（CF） Generic Featured-based Models：
【阅读笔记】GNUD
08-09
这篇阅读笔记介绍的是《GNUD：基于无监督偏好分解的图神经新闻推荐》(Graph Neural News Recommendation with Unsupervised Preference Disentanglement)的研究论文，该论文由北京邮电大学计算机学院图数据挖掘和...
GNUD: 图神经网络新闻推荐与无监督偏好解耦
本文是一篇关于个性化新闻推荐领域的研究论文，名为《基于无监督偏好的图神经网络新闻推荐（Graph Neural News Recommendation with Unsupervised Preference Disentanglement, GNUD）》。该研究由中国北京邮电大学...
graph-based-recommendation-system:使用图搜索方法构建推荐系统。 我们将比较这些不同的方法，并仔细观察每种方法的局限性
03-11
基于图搜索的推荐系统 这是有关使用图形搜索方法构建推荐系统的项目。 我们将比较这些不同的方法，并仔细观察每种方法的局限性。 用生成的目录 抽象的： 使用grouplens网站中的movielens数据集实施了电影推荐系统。 该数据集被转换为二分图，该二分图允许使用基于图的遍历算法而不是推荐系统使用的常规方法来解决该问题。 目标是使用图遍历算法实现协作过滤技术以及基于内容的推荐。 我们将评估优点和缺点，然后讨论如何在此方法上进行改进。 介绍： 社交媒体网站，电影，电视节目等所生成的内容量正在急剧增加，并且用户或个人很难从如此庞大的内容库中进行选择。 有无数的选择。 因此，我们需要过滤掉大部分内容并向用户提供建议。 推荐系统旨在解决此问题，以便根据现有数据和用户首选项为用户提供最佳建议。 推荐系统广泛用于电子商务网站，例如Netflix推荐电影，亚马逊推荐产品，音乐应用程序（例如i
Book-KnowledgeGraph-Recommendation:书籍知识图谱推荐系统
03-11
大学生创新创业项目-书籍知识图谱推荐 书籍知识图谱（KG）：书籍的评论情感细粒度分析，命名实体识别，关系抽取，分类树生成，数据挖掘 数据集来自>北京大学数据与信息管理研究组的
基于图学习与推理的推荐系统，CIKM2019，graph-for-recommendation.zip
11-04
【CIKM2019教程】新加坡国立大学：基于图学习与推理的推荐系统，新加坡国立大学三位学者在国际会议CIKM2019上完成题为"Learning and Reasoning on Graph for Recommendation"的大会报告。以下附上这份报告的演讲稿，欢迎大家下载学习。
Graph Heterogeneous Multi-Relational Recommendation （AAAI 2021）
weixin_50180730的博客
07-17 1705
摘要： 异构多关系数据提供了结构良好的信息，可以用于高质量的推荐。早期利用这些异构数据的努力未能捕捉到用户-物品交互的高跳结构，这不能充分利用它们，可能只能实现受限的推荐性能。我们提出了一种新的多关系推荐模型，名为异构图协同过滤Graph Heterogeneous Collaborative Filtering (GHCF)。为了探索高跳异构用户-物品交互，我们利用图卷积网络(Graph Convolutional Network, GCN)的优势，并进一步改进它，联合嵌入节点(用户和物品)表示和.
Graph Neural Networks for Social Recommendation浅读分析
qq_39228514的博客
10-09 1049
Graph Neural Networks for Social Recommendation浅读分析摘要引言提出的框架符号表定义和符号解释算法总览User Modeling 摘要 近年来，可以自然地集成节点信息和拓扑结构的图形神经网络（GNN）在学习图形数据方面具有强大的功能。由于社交推荐系统中的数据可以表示为用户-用户社交图和用户-项目图，因此GNN的这些优势为推进社交推荐提供了巨大潜力。学习用户和物品的潜在因素是关键。但是，基于GNN构建社会推荐系统面临挑战。例如，用户项图对交互及其关联的意见进行编码
2021-03-30
qq_38355878的博客
03-30 317
题目： Graph Neural News Recommendation with Long-term and Short-term Interest Modeling 基于长短期兴趣建模的图神经新闻推荐 期刊： Information Processing & Management (Volume 57, Issue 2) 论文链接： https://www.zhuanzhi.ai/paper/72ea3ae6903561941f3bef5ea83d036e 随着新闻文章的信息爆炸，个性化的新闻推
万物皆可Graph | 当推荐系统遇上图神经网络（四）
Kaiyuan_sjtu的博客
02-07 1921
作者|上杉翔二悠闲会·信息检索整理|NewBeeNLP本篇文章继续整理这个系列Graph in Rec 的文章，以前博主整理过的系列可以见：万物皆可Gra...
Cross-Dataset Person Re-Identification via Unsupervised Pose Disentanglement and Adaptation
嘻嘻哈哈yjy的博客
12-16 1501
行人重识别之cross domain Cross-Dataset Person Re-Identification via Unsupervised Pose Disentanglement and Adaptation (ICCV2019) 原文链接 这篇文章从图像风格迁移的角度进行了cross domain，用到了生成对抗网络(GAN)，对GAN不熟悉的朋友可以参考这篇文章，让你两分钟对GAN...
GNU开发工具——GDB快速入门
天山老妖
02-25 5701
一、GDB简介 GDB是一个由GNU开源组织发布的、UNIX/LINUX操作系统下的、基于命令行的、功能强大的程序调试工具。GDB能够跟踪程序的执行，也能够恢复程序崩溃前的状态。 GDB常规功能如下： A、自定义程序的启动方式（指定影响程序运行的参数） B、设置条件断点（在条件满足时暂停程序的运行） C、回溯检查导致程序异常结束的原因（Core Dump） D、动态改变程序的执行流（定位问题的辅助方式） 二、GDB功能 1、core dump 核心转储文件(Core Dump)是进程内存的
LINUX下的GNU调试工具,Linux下GNU调试器gdb详细说明
weixin_34779096的博客
05-12 484
1.简介Linux下GNU 的调试器称为 gdb，该程序是一个交互式工具，工作在字符模式。在 X Window 系统中，有一个 gdb 的前端图形工具，称为 xxgdb。gdb 是功能强大的调试程序，可完成如下的调试任务：* 设置断点；* 监视程序变量的值；* 程序的单步执行；* 修改变量的值。在可以使用 gdb 调试程序之前，必须使用 -g 选项编译源文件。可在 makefile 中如下定义CF...
论文浅尝 | 一种用于新闻推荐的深度知识感知网络
开放知识图谱
06-17 2969
Citation: Wang H, Zhang F, Xie X, et al. DKN: Deep Knowledge-Aware Networkfor News Re...
Graph Neural Networks for Social Recommendation翻译
最新发布
03-31
### Graph Neural Networks in Social Recommendation Graph Neural Networks (GNNs) 的英文翻译为 **Graph Neural Networks**，而其在社交推荐中的应用可以描述为 **Application of Graph Neural Networks in ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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