基于对比学习的动态图序列推荐方法OA北大核心CSTPCD
Contrastive Dynamic Graph for Sequential Recommendation
为了缓解目前基于动态图表征的序列推荐研究中存在的用户交互数据高稀疏且包含大量噪音、模型训练需要大量有标记样本等问题,本文提出了基于对比学习的动态图序列推荐方法(CDGSR).具体而言,CDGSR从粗粒度和细粒度不同层面设计了层间对比学习、两次传播对比学习和随机噪声扰动对比学习三种不同角度的对比学习方法.实验表明,CDGSR在Amazon-Beauty、Amazon-Games、Amazon-CDs三个现实数据集上的归一化折损累计增益NDCG@10…查看全部>>
To alleviate the problems in dynamic graph sequential recommendation,such as sparse and noisy user-item interaction da-ta,and the requirement for a large number of labels,this paper proposes a new dynamic graph sequential recommendation method based on contrastive learning,which is called CDGSR(Contrastive Dynamic Graph for Sequential Recommendation).Specifically,CDGSR designed three different contrastive learning methods from coarse-grained to fine-grained:…查看全部>>
崔昱;陈佳伟;王灿
浙江大学 计算机科学与技术学院,浙江 杭州 310027浙江大学 计算机科学与技术学院,浙江 杭州 310027浙江大学 计算机科学与技术学院,浙江 杭州 310027
计算机与自动化
序列推荐图神经网络动态图表征对比学习
sequential recommendationgraph neural networksdynamic graph representationcontrastive learning
《山西大学学报(自然科学版)》 2024 (3)
506-517,12
浙江大学上海高等研究院繁星科学基金(SN-ZJU-SIAS-001)国家自然科学基金(62372399)
评论