ZZZ___bj的博客

摘要传统的推荐模型通常只使用一种用户-项目交互，但面临着严重的数据稀疏性或冷启动问题。使用多种类型的用户-项目交互，如点击和收藏，可以作为一种有效的解决方案。早期对多行为推荐的努力未能捕捉到行为对目标行为的不同影响强度。它们还忽略了多行为数据中隐含的行为语义。这两个限制都使得数据没有被充分利用来改进目标行为上的推荐性能。在这项工作中，我们通过创新地构建一个统一的图来表示多行为数据，并提出了一个新的模型MBGCN（多行为图卷积网络）来解决这个问题。通过用户-项目传播层学习行为强度，通过项目-项目传播层捕获

摘要对比学习(CL)最近在推荐领域激发了富有成效的研究，因为它从原始数据中提取自我监督信号的能力与推荐系统解决数据稀疏性问题的需求非常一致。基于CL的推荐模型的一个典型途径是首先用结构扰动去进行增强用户-项目二部图，然后最大化不同图增强之间的节点表示一致性。尽管这种模式被证明是有效的，但性能提高的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更统一的用户/项目表示来操作，这可以隐式地减轻流行偏差。同时，我们揭示了过去被认为是必要的，只是发挥一个微不足道的作用。.

摘要：由于图神经网络(GNN)在高阶连通性学习表示方面的优势，基于GNN的协同过滤在推荐系统中得到了广泛的应用。此外，为了克服数据稀疏性问题，最近一些基于GNN的模型尝试将社交信息纳入其中，并设计对比学习作为辅助任务，以协助主要推荐任务。现有的GNN和基于对比学习的推荐模型以对称的方式学习用户和项目表示，并以复杂的方式利用社会信息和对比学习。上述两种策略导致这些模型要么对于用户和项之间严重不平衡的数据集无效，要么对于用户和项太多的数据集效率低下。在这项工作中，我们提出了一个对比图学习(CGL)模型，它以一

摘要：我们的目的是充分考虑对比学习在推荐系统场景中的应用，使其更适合于推荐任务。我们提出了一个监督对比学习框架来预训练用户-项目二部图，然后对图卷积神经网络进行微调。具体来说，我们将在数据预处理过程中比较用户与物品之间的相似度，然后在应用对比学习时，不仅将扩增视图视为正样本，还将一定数量的相似样本视为正样本，这与SimCLR不同，SimCLR将一批中的其他样本视为负样本。我们将这种学习方法称为监督对比学习(SCL)，并将其应用于最先进的LightGCN。此外，为了考虑节点交互的不确定性，我们还提出了一种.

摘要近年来，图协同过滤方法被提出作为一种有效的推荐方法，它可以通过建模用户-项目交互图来捕获用户对项目的偏好。尽管这些方法有效，但在实际场景中存在数据稀疏性。为了减少数据稀疏性的影响，在图协同过滤中采用了对比学习的方法来提高性能。然而，这些方法通常采用随机采样的方式构建对比对，忽略了用户（或项目）之间的相邻关系，不能充分利用推荐中对比学习的潜力。为了解决上述问题，我们提出了一种新的对比学习方法，即邻域增强对比学习，即NCL，它明确地将潜在的邻合并到对比对中。具体来说，我们分别从图结构和语义空间中引入一.

摘要一个好的推荐框架不仅可以帮助用户识别他们感兴趣的项目，还可以使得各种在线平台（如电子商务、社交媒体）从中获益。传统的推荐模型通常假设用户和项目之间只存在一种类型的交互，并且无法从多类型的用户行为数据建模多种用户-项目关系，如页面浏览、收藏和购买。虽然最近的一些研究提出了捕捉不同类型行为之间的依赖关系，但有两个重要的挑战较少探索：i) 处理目标行为（如购买）下的稀疏监督信号。ii) 通过指定的依赖关系建模来捕获个人的多行为模式。我们设计了一个新的模型CML，对比元学习(CML)，为不同的用户维护.

摘要自监督学习(SSL)可以从原始数据中自动生成真实样本，在改进推荐系统方面具有巨大的潜力。现有的基于ssl的方法通过节点/边dropout干扰原始数据图，生成新的数据视图，然后对不同视图进行基于对比学习的自识别，学习通用的表示。在该模式下，只在两个不同视图的节点之间建立一个双射映射，说明忽略了来自其他节点的自监督信号。由于在推荐系统中被广泛观察到的同质性，我们认为来自其他节点的监督信号也很有可能有利于推荐的表示学习。为了捕获这些信号，本文提出了一种集成三种训练的通用社会感知SSL框架。从技术上讲，我们.

对于推荐来说，用户-商品图的表示学习已经从使用单个ID或交互历史发展到利用高阶邻居，这导致了图卷积网络(GCNs)的成功推荐，如PinSage和LightGCN。尽管有效，但我们认为它们存在两个局限性：（1）高阶节点对表示学习有更大的影响，恶化了低阶（长尾）商品的推荐；（2）因为邻域聚合方案进一步扩大了观察边缘的影响，表示容易受到噪声交互的影响。在本研究中，我们探索了在用户-商品图上的自监督学习，以提高GCN作为推荐的准确性和鲁棒性。该思想是用一个辅助的自我监督任务来补充经典的推荐监督任务，通过自我鉴别.

Social Recommendation with Implicit Social Influence摘要社会影响对社会建议至关重要。目前基于影响的社交推荐安全驻点在于对观察到的社会联系的显式影响。然而，在实际情况下，隐性的社交影响也会以一种未被观察到的方式影响用户的偏好。在这项工作中，我们关注两种隐性影响：未观察到的人际关系的局部隐性影响，以及项目传播给用户的全局隐性影响。我们通过分别建模两种隐性影响，改进了最先进的基于GNN的社交推荐方法。局部隐性影响是通过预测未观察到的社会关系来实现的。全局隐性

摘要：最近对图卷积网络(GCNs)的研究揭示了局部自适应的有用性，它使调整邻居对目标节点表示的贡献成为可能。现有的工作通常通过引入一个额外的模块，如图注意力，它学习邻居节点的权重，去实现局部自适应。然而，这种方法在实际中效率不好，因为拟合训练数据并不一定会导致合理的局部自适应，特别是在数据标记很少的情况下。在一个正交的方向上，这项工作探索了如何在模型推理阶段实现局部自适应，这是一个很少得到关注的新角度。保持训练阶段不变性是普遍的主要优点——它可以应用于大多数GCNs，并提高其推断精度。给定一个训练过的G

优化器：1. 什么是优化器？ 优化器就是在深度学习反向传播过程中，指引损失函数（目标函数）的各个参数往正确的方向更新合适的大小，使得更新后的各个参数让损失函数（目标函数）值不断逼近全局最小。2. 优化器有哪些？ ① SGD 随机梯度下降 每次从训练集中随机选择一个样本来进行学习 优点： （1）每次只用一个样本更新模型参数，训练速度快 （2）随机梯度下降所带来的波动有利于优化的方向从当前的局部极小值点跳到另一个更好的局部极小值点，这样对于非凸函数，最终收敛于一个较好的局部极值点，甚至全局

知识感知耦合的图神经网络摘要社会推荐任务旨在通过结合用户之间的社会联系，预测用户对项目的偏好，从而缓解协作过滤的稀疏问题。虽然最近的许多努力表明了基于神经网络的社交推荐系统的有效性，但有几个重要的挑战尚未得到很好的解决：(i)大多数模型只考虑用户的社交联系，而忽略了项目间相互依赖的知识；(ii)大多数现有的解决方案都是为单一类型的用户-项目交互而设计的，这使得它们不能捕获交互的异质性；(iii)用户-项目交互的动态性质在许多具有社交感知能力的推荐技术中较少被探索。为了解决上述挑战，本工作提出了

摘要：随着在线社交网络的蓬勃发展，在许多社交应用中出现了一种新的推荐场景，即朋友增强推荐 (FER)。在FER中，推荐用户使用其朋友（称为朋友推荐圈）喜欢/共享的项目。这些朋友的推荐会被显式地显示给用户。与传统的卷积社交推荐不同，FER中独特的朋友推荐圈可能会显著改变推荐范例，使用户更加关注增强的社交因素。在本文中，我们首先提出FER问题，并提出一种新的社交影响注意力神经网络(SIAN)解决方案。...

摘要：在推荐系统中，当用户-物品交互数据比较稀疏时，通常使用社会关系来提高推荐质量。大多数现有的社交推荐模型利用成对关系来挖掘潜在的用户偏好。然而，现实生活中用户之间的互动非常复杂，用户关系可能是高阶的。Hypergraph提供了一种自然的方法来建模复杂的高阶关系，而它在改善社会推荐方面的潜力还有待开发。在本文中，我们填补了这一空白，提出了一个多通道超图卷积网络，利用高阶用户关系来增强社交推荐。从技术上讲，网络中的每个通道都通过超图卷积来编码一个超图，该超图描绘了一个常见的高阶用户关系模式。通过聚合多个渠

Graph Neural Networks for Social Recommendation论文解读摘 要：近年来，图神经网络可以自然地整合节点信息和拓扑结构，因此已被证明在图表数据的学习中具有强大的能力。GNNs的这些优点为推进社交推荐提供了巨大的潜力，因为社会推荐系统中的数据可以表示为用户-用户社会图和用户-项目图；而且学习用户和项目的潜在因素是关键。然而，构建基于GNNs（图神经网络）的社交推荐系统面临着挑战。例如，用户项目图对交互及其相关的意见进行编码（the user-item grap

用户user对物品item的评分：多个用户users对多个物品items的评分：（显性数据为直接评分，隐性数据则无直接评分，用隐性行为计算评分，转为显性数据）做协同过滤时，需要将用户对物品的评分矩阵...

推荐系统学习：视频链接：https://www.bilibili.com/video/BV1qK4y1479r?p=2&spm_id_from=pageDriver推荐系统内容介绍推荐概念推荐系统设计召回—>排序—>策略调整推荐系统业务架构：