<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_29717841的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_29717841</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_29717841]]></copyright><item><title><![CDATA[Multi-Sample based Contrastive Loss for Top-kRecommendation（IR 2021）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/125205018</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/125205018</guid><author>qq_29717841</author><pubDate>Fri, 10 Jun 2022 13:38:40 +0800</pubDate><description><![CDATA[在 CL 中，将同一批次中的所有非正样本作为负样本，可以简单的快速获取大量负样本，CL_loss 意在最大化正对的相似性并最小化负对的相似性。而BPR 一般采用随机抽取的方式使用一个或几个负样本，BPR_loss意在最大化正样本和负样本之间的距离。它们都是通过对比过程学习的，所以BPR 损失也可以看成对比损失的一种。为解决 CL 中正负样本不均衡的问题，作者提出了多采样正样本的 CL ，如上图。正负样本添加了权重来权衡它们之间的重要性，还可以同时使用多个正样本来参与 CL。...]]></description><category></category></item><item><title><![CDATA[Self-supervised Learning for Large-scale Item Recommendations （CIKM 2021）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/125001568</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/125001568</guid><author>qq_29717841</author><pubDate>Fri, 27 May 2022 14:21:08 +0800</pubDate><description><![CDATA[论文名称：基于自监督学习的大规模项目推荐

论文地址：Self-supervised Learning for Large-scale Item Recommendations | Proceedings of the 30th ACM International Conference on Information &amp; Knowledge Management

论文主要内容：

本文主要提出了 SSL 框架，才用对比学习的方式用于推荐中召回模型的训练，使模型去的更好的效果。

动机：

自监督学习]]></description><category></category></item><item><title><![CDATA[Self-supervised Graph Learning for Recommendation-----SIGIR2021（个人笔记）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/124739827</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/124739827</guid><author>qq_29717841</author><pubDate>Fri, 13 May 2022 13:58:14 +0800</pubDate><description><![CDATA[论文：自监督图学习推荐系统 （SIGIR2021）

文章链接：http://staff.ustc.edu.cn/~hexn/papers/sigir21-SGL.pdfhttp://staff.ustc.edu.cn/~hexn/papers/sigir21-SGL.pdf

Code:https://github.com/wujcan/SGL-TensorFlowhttps://github.com/wujcan/SGL-TensorFlow

GitHub - wujcan/SGL-Torch: S.]]></description><category></category></item><item><title><![CDATA[Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning（个人笔记）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/124415268</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/124415268</guid><author>qq_29717841</author><pubDate>Tue, 26 Apr 2022 00:44:23 +0800</pubDate><description><![CDATA[论文：利用邻域丰富的对比学习改进图形协同过滤（NCL） WWW22

文章链接：https://arxiv.org/abs/2202.06200v1https://arxiv.org/abs/2202.06200v1

代码链接：https://arxiv.org/abs/2202.06200v1https://arxiv.org/abs/2202.06200v1

1. 前言

1.1 提出的问题 （图神经协同过滤）

a.用户-项交互数据通常是稀疏的或有噪声的，它可能无法学习可靠的表示，因为基于图的..]]></description><category></category></item><item><title><![CDATA[MixGCF: An Improved Training Method for Graph NeuralNetwork-based Recommender Systems（个人笔记）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/124251347</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/124251347</guid><author>qq_29717841</author><pubDate>Mon, 18 Apr 2022 20:31:55 +0800</pubDate><description><![CDATA[论文：MixGCF：一种改进的基于图神经网络的推荐系统训练方法（KDD.2021）

文章链接：MixGCF | Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery &amp; Data Mining

代码链接：https://github.com/huangtinglin/MixGCF （Pytorch版）

1. 前言

1.1 提出的问题

a. 推荐模型中广泛使用的 CF 存在的一大弊端就是不能很好的学习到隐式负]]></description><category></category></item><item><title><![CDATA[Interest-aware Message-Passing GCN for Recommendation(个人笔记)]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/124220525</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/124220525</guid><author>qq_29717841</author><pubDate>Sun, 17 Apr 2022 10:26:42 +0800</pubDate><description><![CDATA[论文：兴趣感知信息传递GCN（WWW.2021）

文章链接：https://arxiv.org/abs/2102.10044

代码链接：GitHub - liufancs/IMP_GCN（原版-tensorflow1.x）

        GitHub - PTMZ/IMP_GCN: Pytorch Implementation of Interest-Aware Message-Passing GCN for Recommender Systems（Pytorch版）

1. ...]]></description><category></category></item><item><title><![CDATA[Adversarial Personalized Ranking for Recommendation(个人笔记)]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/124091471</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/124091471</guid><author>qq_29717841</author><pubDate>Mon, 11 Apr 2022 19:50:59 +0800</pubDate><description><![CDATA[上周总结了一篇关于CPR_loss的文章，指导老师提出CPR_loss在采集正负样本标的标准和生成对抗网络方面有一些相似处，所以这周我就找到这一篇文章并加以总结。有趣的是，这一篇文章也是何向南老师组于2018年发表于SIGIR，下文我们简称为APR。

论文链接：https://arxiv.org/abs/1808.03908

代码链接：GitHub - hexiangnan/adversarial_personalized_ranking: Adversarial Learning, Matrix Fa]]></description><category></category></item><item><title><![CDATA[UltraGCN: Ultra Simplification of Graph ConvolutionalNetworks for Recommendation（个人笔记）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/123958617</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/123958617</guid><author>qq_29717841</author><pubDate>Fri, 08 Apr 2022 15:18:30 +0800</pubDate><description><![CDATA[该文章发表在CIKM'2021，在何向南老师的LightGCN上做出了进一步的改进。

论文链接：https://arxiv.org/abs/2110.15114

代码链接：https://github.com/xue-pai/ultragcn



文章首先指出了LightGCN的三个不足，如下：

1）消息传递期间在边缘上分配的权重违反直觉，这可能不适用于CF。

2）传播过程递归地将不同类型的关系对（包括用户项对、项项项对和用户用户对）组合到模型中，但未能捕捉到它们不同的重要性。这也可能会引入嘈杂且]]></description><category></category></item><item><title><![CDATA[Cross Pairwise Ranking for Unbiased Item Recommendation（个人笔记）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/123950438</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/123950438</guid><author>qq_29717841</author><pubDate>Mon, 04 Apr 2022 16:44:24 +0800</pubDate><description><![CDATA[该文是何向南老师组的又一大精品文章，成功入选WWW2022。

何向南老师个人网址：Xiangnan He's Homepage

论文链接：http://staff.ustc.edu.cn/~hexn/papers/www22-cpr.pdf

代码链接：https://github.com/Qcactus/CPR

这里简单介绍一下这次的会议WWW2022。TheWebConf 成立于1989年，原名为“The International World Wide Web Conference (WWW)”]]></description><category></category></item><item><title><![CDATA[Utilization of Real Time Behavior and Geographical Attraction for Location Recommendation (个人笔记)]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/123182624</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/123182624</guid><author>qq_29717841</author><pubDate>Mon, 28 Feb 2022 15:13:14 +0800</pubDate><description><![CDATA[文章《Utilization of Real Time Behavior and GeographicalAttraction for Location Recommendation》(利用实时行为和地理吸引力进行位置推荐)出自TSAS，Volume 8, Issue 1，March 2022。

文章地址：Utilization of Real Time Behavior and Geographical Attraction for Location Recommendation | ACM Trans]]></description><category></category></item><item><title><![CDATA[基于深度学习的个性化物品推荐研究——吴国栋（论文总结）]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/122817657</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/122817657</guid><author>qq_29717841</author><pubDate>Tue, 08 Feb 2022 14:29:19 +0800</pubDate><description><![CDATA[论文链接：基于深度学习的个性化物品推荐研究 - 中国知网

该论文分别从局部相似性预测推荐模型 LSPCNN‘’


]]></description><category></category></item><item><title><![CDATA[Light-GCN数据集]]></title><link>https://blog.youkuaiyun.com/qq_29717841/article/details/122218421</link><guid>https://blog.youkuaiyun.com/qq_29717841/article/details/122218421</guid><author>qq_29717841</author><pubDate>Wed, 29 Dec 2021 19:16:57 +0800</pubDate><description><![CDATA[1&gt;关于Light-GCN所使用的数据集----Gowalla

数据内容包括：好友关系数据集和签到数据集（好友关系数据集未使用，以下只介绍签到数据集）



图 1

   在签到数据集中，每个用户的每一次签到记录作为一条记录，签到的具体属性分列表示。每条签到记录包括用户ID（User-ID）、签到时间（Check-in Time）、签到地点的维度（Latitude）、签到地点的经度（Longitude）、以及每个地区的经纬度所唯一对应的地点ID（Location-ID）。其中，用户ID一一...]]></description><category></category></item></channel></rss>