论文1:Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
论文1博客:https://blog.youkuaiyun.com/Zjkorigin/article/details/137119122?spm=1001.2014.3001.5501
论文2:LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS
论文2博客:https://blog.youkuaiyun.com/Zjkorigin/article/details/139014544?spm=1001.2014.3001.5501
LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS(一次性子图链路预测方法)
核心方法
Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
KUCNet 核心方法
对比分析
相似点
不同点
- 问题领域:
一次性子图链路预测:专注于大规模知识图谱上的链路预测。
KUCNet:关注推荐系统,结合用户行为和知识图谱信息进行推荐。 - 子图生成方法:
一次性子图链路预测:使用个性化PageRank方法生成子图。
KUCNet:基于用户-项目交互和知识图谱信息生成子图,考虑了用户和项目的匹配关系。 - 模型目标:
一次性子图链路预测:旨在提高链路预测的可扩展性和效率。
KUCNet:旨在提高推荐系统的准确性和解释性,并处理新用户和新项目的问题。 - 消息传播过程
一次性子图链路预测中消息传播L步过程中子图已经固定,已经采样器根据ppr采样了固定数量的节点,及对应的边。
KUCNet在消息传播L步中,每层会根据上层的关系进行采样该层的节点,不断加入新的节点和边到子图表示中。