图神经网络
关注
分享
扫一扫
文章平均质量分 80
图神经网络相关的学习
只想做个咸鱼
主要从事推荐系统领域的学习，相关知识会陆续更新，尽情期待（在读研究生）
展开
-
COSTA: Covariance-Preserving FeatureAugmentation for Graph Contrastive Learning
定量和定性地分析了当前 GCL 方法的拓扑图扩充所产生的问题，并且已经证明这种策略存在偏差问题。为了克服这种偏见，提出了特征增强框架 COSTA。原创 2023-05-30 17:36:17 · 747 阅读 · 0 评论 -
SGCF：Simplifying Graph-based Collaborative Filtering for Recommendation
图递归地划分为几个小尺寸的子图，以捕获节点的内部和外部结构信息，然后在压缩图中计算具有低阶传播过程的网络嵌入。原创 2023-03-22 15:55:07 · 1424 阅读 · 1 评论 -
GLCN:Semi-supervised Learning with Graph Learning-Convolutional Networks
集成图学习和图卷积来学习最适合于半监督学习的图CNN的最优图表示。原创 2022-11-16 11:32:37 · 1134 阅读 · 0 评论 -
RGCF：Learning to Denoise Unreliable Interactions forGraph Collaborative Filtering论文解读
提出了一种新的基于GNN的协作过滤方法，该方法通过对不可靠交互进行降噪，名为RGCF（鲁棒图协作过滤）。我们在RGCF中设计了两个主要的技术模块。首先，我们通过识别更可靠的消息传递交互（图去噪模块）来直接改进图结构学习。其次，我们通过将从去噪交互数据和多样性增强数据（多样性保持模块）中学习到的用户偏好进行关联，进一步增强了推荐的多样性。原创 2022-10-31 11:12:15 · 2145 阅读 · 8 评论 -
Enhanced Graph Learning for Collaborative Filteringvia Mutual Information Maximization
考虑到节点间的隐式反馈（没有边相连）依然有可能在某种程度上反映出用户的积极行为原创 2022-10-19 22:46:36 · 639 阅读 · 4 评论 -
DGCF:Disentangled Graph Collaborative Filtering论文及代码
利用图解缠结模块迭代地细化意图感知交互图和阶乘表示。我们进一步引入了独立建模模块以鼓励分离。推荐的有效性、用户意图的分离以及析因表示的可解释性。原创 2022-10-27 20:34:48 · 1746 阅读 · 0 评论 -
LR—GCCF： A Linear Residual GraphConvolutional Network Approa
在本文LR_GCCF中，从两个方面重新审视了基于 GCN 的 CF 模型。首先，我们凭经验表明，去除非线性会提高推荐性能，这与简单图卷积网络中的理论是一致的。其次，我们提出了一种残差网络结构，该结构专为具有用户项交互建模的 CF 而设计，它缓解了具有稀疏用户项交互数据的图卷积聚合操作中的过度平滑问题。...原创 2022-07-31 18:57:33 · 835 阅读 · 0 评论 -
RGCF: Refined Graph Convolution Collaborative Filering withConcise and Expressive Embedding
RGCF 更能捕捉图中隐含的高阶连通性，得到的向量表示更具表现力原创 2022-07-31 16:29:57 · 582 阅读 · 0 评论 -
图卷积网络在推荐系统中的应用lightGCN，配套pytorch的代码解释
图卷积网络在推荐系统中的应用，lightGCN论文详解加代码详细注释原创 2022-04-06 23:49:25 · 3717 阅读 · 3 评论 -
图卷积网络在推荐系统中的应用NGCF（Neural Graph Collaborative Filtering）配套pytorch的代码解释
NGCF论文详解加代码详细注释，图卷积网络在推荐系统中的应用，原创 2022-04-06 13:00:41 · 7860 阅读 · 24 评论 -
通俗举例讲解评价指标—recall、precision、ndcg，hit，auc
通俗举例讲解评价指标—recall、precision、ndcg，Popularity、coverage推荐系统中的常用指标，其他的陆续会加入进去,关于评价指标的讲述原创 2022-04-17 00:18:06 · 8647 阅读 · 1 评论