建议使用以下浏览器,以获得最佳体验。 IE 9.0+以上版本 Chrome 31+ 谷歌浏览器 Firefox 30+ 火狐浏览器
请选择 进入手机版 | 继续访问电脑版
设置昵称

在此一键设置昵称,即可参与社区互动!

确定
我再想想
选择版块
直达楼层
标签
您还可以添加5个标签
  • 没有搜索到和“关键字”相关的标签
  • 云产品
  • 解决方案
  • 技术领域
  • 通用技术
  • 平台功能
取消

采纳成功

您已采纳当前回复为最佳回复

角动量

发帖: 218粉丝: 8

发消息 + 关注

发表于2021年02月25日 12:03:05 314 5
直达本楼层的链接
楼主
显示全部楼层
[其他] 兴趣感知消息传递图卷积神经网络的推荐

图卷积网络(GCNs)在推荐方面表现出巨大的潜力。这归功于他们通过利用来自高阶邻居的协作信号来学习良好的用户和项目嵌入的能力。与其他GCN模型一样,基于GCN的推荐模型也存在着臭名昭著的过平滑问题——当叠加更多层时,节点嵌入变得更加相似,最终无法区分,导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这一问题,但是我们认为他们忽略了推荐中出现过平滑问题的一个重要因素,即在图卷积操作中,用户的嵌入学习也可以涉及到与用户没有共同兴趣的高阶邻域用户。因此,多层图卷积会使不同兴趣的用户具有相似的嵌入性。在本文中,我们提出了一种新的兴趣感知消息传递GCN (IMP-GCN)推荐模型,该模型在子图中进行高阶图卷积。子图由具有相似兴趣的用户及其交互项组成。为了形成子图,我们设计了一个无监督的子图生成模块,该模块利用用户特征和图结构来有效识别具有共同兴趣的用户。为此,我们的模型可以避免将高阶邻域的负面信息传播到嵌入学习中。在三个大规模基准数据集上的实验结果表明,我们的模型可以通过叠加更多的层来获得性能的提高,显著优于目前最先进的基于GCN的推荐模型。


image.png

image.png

https://www.zhuanzhi.ai/paper/a64ace721c52eb2b70059bea42490f40


举报
分享

分享文章到朋友圈

分享文章到微博

采纳成功

您已采纳当前回复为最佳回复

RabbitCloud

发帖: 183粉丝: 3

发消息 + 关注

发表于2021年02月25日 13:11:32
直达本楼层的链接
沙发
显示全部楼层

感谢分享~

点赞 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

运气男孩

发帖: 445粉丝: 54

发消息 + 关注

发表于2021年02月25日 16:15:37
直达本楼层的链接
板凳
显示全部楼层

感谢分享

点赞 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

初学者7000

发帖: 256粉丝: 3

发消息 + 关注

发表于2021年02月25日 16:29:49
直达本楼层的链接
地板
显示全部楼层

长知识了

点赞 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

小强鼓掌

发帖: 168粉丝: 2

发消息 + 关注

发表于2021年02月28日 14:45:42
直达本楼层的链接
5#
显示全部楼层

感谢分享

点赞 评论 引用 举报

采纳成功

您已采纳当前回复为最佳回复

zhengyong134

发帖: 65粉丝: 2

发消息 + 关注

发表于2021年02月28日 15:54:15
直达本楼层的链接
6#
显示全部楼层

mark一下

点赞 评论 引用 举报

游客

富文本
Markdown
您需要登录后才可以回帖 登录 | 立即注册

结贴

您对问题的回复是否满意?
满意度
非常满意 满意 一般 不满意
我要反馈
0/200