基于自监督的多视角图协同过滤推荐方法OA北大核心CSTPCD
Recommendation Method Based on Self-supervised Multi-view Graph Collaborative Filtering
现有的图协同过滤算法在现实场景中存在数据稀疏问题,同时在相邻信息聚合的过程中使得特征学习更容易受到交互噪声的影响.为了解决上述问题,提出一个基于自监督的多视角图协同过滤(SMGCF)推荐方法,通过图神经网络学习用户和项目节点的嵌入表示.在学习节点嵌入表示的过程中,考虑到单个节点间的交互关系以及聚类节点间的聚类关系对推荐结果的影响,引入自监督学习来辅助图协同过滤算法进行多视角关系的挖掘.针对节点交互级关系视角,通过数据增强得到多个用户-项目交互二分…查看全部>>
Existing graph collaborative filtering algorithms suffer from data sparsity in real-world scenarios and make feature learning more susceptible to interaction noise when aggregating adjacent information.To address these issues,a recommendation method based on Self-supervised Multi-view Graph Collaborative Filtering(SMGCF)is proposed.The SMGCF learns the embedded representations of the user and item nodes by using Graph Neural Network(GNN).In the process of le…查看全部>>
张宝鑫;杨丹;聂铁铮;寇月
辽宁科技大学计算机与软件工程学院,辽宁鞍山 114051辽宁科技大学计算机与软件工程学院,辽宁鞍山 114051东北大学计算机科学与工程学院,辽宁沈阳 110169东北大学计算机科学与工程学院,辽宁沈阳 110169
计算机与自动化
自监督学习推荐方法数据增强图神经网络对比学习
supervised learningrecommendation methoddata augmentationGraph Neural Network(GNN)contrastive learning
《计算机工程》 2024 (5)
面向大数据融合的区块链数据管理关键技术研究
100-110,11
国家自然科学基金(62072084,62072086)辽宁省教育厅科学研究项目(LJKMZ20220646).
评论