ZZZ___bj的博客

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.

文件读写： ①rb – 读取二进制文件，r – 读取文本文件 ②.pkl是python保存文件的一种文件格式，如果直接打开会显示一堆序列化的东西，需要使用r b类型来打开。 ③with open(‘data.txt’ + ‘dataset.pkl’, ‘rb’) as f 读取文件 ④mat 数据格式是Matlab的数据存储的标准格式 loadmat() 读取.mat文件 eg: import scipy.io as scio dataFile = ‘E://data.mat’ data = sci..