ANewPro

摘要： Abstract 群体推荐的基本挑战是对成员之间的相关性进行建模。现有的方法大多采用启发式或基于注意的偏好聚合策略来综合群体偏好。但是这些模型主要关注了用户之间的成对连接，而忽略了组内外复杂的高阶交互。此外由于组-项目交互严重稀疏，组推荐严重存在数据稀疏性问题 在本文中，我们提出了一个自监督的超图学 阅读全文

摘要： Abstract 我们提出了一种非常简单的图对比学习方法作为推荐，该方法放弃了无效的图增强，而是使用一种简单而有效的基于噪声的嵌入增强来生成CL的视图 Introduction 这里介绍以下SimGCL的缺点： 除了推荐任务的正向/反向传递外，每个小批内的对比任务还需要两个额外的正向和反向传递，也就 阅读全文

摘要： Abstract 联合训练和测特征会影响目标域的预测，因为学习的嵌入被包含偏差信息的源域所主导。于是我们提出了异构跨域推荐的预训练和微调图。我们设计了一个新的跨域推荐的预训练图神经网络（PCRec），它采用了一个图编码器的对比自监督预训练，然后我们转移预先训练好的图编码器来初始化目标域上的节点嵌入， 阅读全文

摘要： Abstract 跨域推荐（cross-domain recommend CDR）旨在利用源域在目标域中提供更好的推荐结果，这在推荐系统中得到了广泛的应用和探索，然而匹配模块的CDR在表示学习和知识转移中都存在这数据稀疏性和流行偏差问题。在这项工作中我们提出了一个新的对比跨域推荐（CCDR）框架的C 阅读全文

摘要： Abstract 基于会话的推荐（SBR）侧重于在某个时间点的下一项项目预测。近年来，基于图神经网络的SBR方法将项目转换为成对的关系，忽略了项目之间复杂的高阶关系。超图提供了一种捕获非成对关系的自然方法。在本文中，我们通过将基于绘画控制的数据建模为一个超图。提出了一个超图卷积网络来改善SBR。此外 阅读全文

摘要： Abstract 讲述现存的挑战，现有的方法通常采用负抽样来区分不同的项目，也就是观察到的用户-项目对被视为正实例，未观察到的对被称为负实例，并且在一个定义的分布下进行采样以进行训练。在大数据集上进行负采样的计算成本高，所以负项目应该在定义的分布下仔细的进行抽样，避免在数据集中观察到积极的项目。但是 阅读全文

摘要： 这个领域不熟悉，是看的第一篇论文，记录细一点 Abstract 单类协作过滤（OCCF）的目标是识别出与之呈正相关但尚未交互的用户-项目对，其中只有一小部分积极的用户-项目交互被观察到，对于积极和消极交互的区分建模，以往的工作在一定程度上依赖于负抽样，即将未观察到的用户项目对视为负对，因为实际的负对 阅读全文

摘要： Abstract 存在的挑战： 使用更深层次的基于图的CF架构有过平滑效应，会导致难以区分的用户表示和推荐结果的退化 监督信号在现实中是稀疏和偏态分布的，限制了CF范式的表达能力 提出了一种新的自监督框架超图对比协同过滤(HCCF)，通过一个超图增强的交叉视图对比学习架构来联合捕获局部和全局协作的关 阅读全文

摘要： Abstract 这篇文章提出了自监督学习推荐的独家定义，定期将现有的SSR方法分为四类：对比，生成、预测和混合。对于每个类别，阐述了它的概念和表述，所涉及的方法，以及它的优缺点。 Definition and Taxonomy Definition and Formulation 介绍SSR的定义 阅读全文

摘要： Abstract 目前大多数现有的推荐方法之假设单一的社会关系（即利用承成对关系来挖掘用户的偏好），而忽略了多方面的社会关系对用户偏好的影响（即用户关系的高阶复杂性）。此外，一个观察到的事实是，当暴露给用户时，相似的项目总是具有相似的吸引力，这表明项目的静态属性之间存在潜在的联系。于是在这里我们提倡 阅读全文