2022年6月11日 · 知识图谱（Knowledge Graphs，KGs）通常包含丰富的实体语义关联，在推荐系统中已被广泛地用作提高用户表征学习质量，以及提升推荐精准度的有效额外信息。 在这些知识感知的推荐模型中，知识图谱信息通常包含实体和被推荐物品之间的语义关系。 然而，这些推荐算法的成功很大程度上依赖于高质量的知识图谱，并且可能因为以下两个问题而无法学习到高质量的用户和商品表征： i）Entity 的长尾分布导致基于 KG 的物品表征的监督信号变得稀疏； 上图展 …

2022年5月2日 · To fill this research gap, we design a general Knowledge Graph Contrastive Learning framework (KGCL) that alleviates the information noise for knowledge graph-enhanced recommender systems.

We provide three processed datasets and the corresponding knowledge graphs: Yelp2018 and Amazon-book and MIND. run KGCL on Yelp2018 dataset: Change ROOT_PATH in …

2022年6月9日 · 知识图谱 （Knowledge Graphs，KGs）通常包含丰富的实体语义关联，在推荐系统中已被广泛地用作提高用户 表征学习 质量，以及提升推荐精准度的有效额外信息。 在这些知识感知的推荐 模型 中，知识图谱信息通常包含实体和被推荐物品之间的语义关系。 然而，这些 推荐算法 的成功很大程度上依赖于高质量的知识图谱，并且可能因为以下两个问题而无法学习到高质量的用户和商品表征： i）Entity 的长尾分布导致基于 KG 的物品表征的监督信号变得稀疏； 上 …

2023年9月1日 · To alleviate these limitations, we propose a Knowledge-enhanced Graph Contrastive Learning framework for session-based recommendation (KGCL). Specifically, it consists of three key components: (1) View augmentation.

2022年7月19日 · 为了填补这一研究空白，我们设计了一个通用的知识图谱对比学习框架（KGCL），以减轻基于知识图谱的推荐系统中的信息噪声。 具体来说，我们提出了一种知识图谱增强范式来抑制信息聚合中的知识图谱噪声，并学习商品更强大的知识感知表示。 此外，我们利用来自知识图谱增强过程的额外监督信号来指导跨视图对比学习范式，在梯度下降中为无偏的用户-商品交互提供更大的权重，并进一步抑制噪声。 在三个公共数据集上进行的大量实验证明了我 …

To fill this research gap, we design a general Knowledge Graph Contrastive Learning framework (KGCL) that alleviates the infor-mation noise for knowledge graph-enhanced recommender systems.

2024年8月18日 · 知识图谱（Knowledge Graph）是一种用于组织和表示知识的图形 数据结构，旨在通过节点和边的方式来描述实体（如人、地点、事物）及其之间的关系。 知识图谱的主要目的是为了以更加结构化和语义化的方式存储、管理和利用数据，从而帮助计算机理解人类的语言和世界。 实体是知识图谱中的基本单元，表示现实世界中的“物体”，例如一个人、一个地点、一本书等。 关系用于描述实体之间的连接，例如“李白”是“唐朝”的“诗人”，“巴黎”是“法国”的“首都”等。 属 …

2023年4月14日 · To fill this gap, we propose a Multi-Level Knowledge Graph Contrastive Learning framework (ML-KGCL) to introduce CL into the KG-based recommendation. ML-KGCL makes the CL task more compatible with the recommendation task while mitigating the long-tail issue by performing fine-grained node representation learning.

为了填补这一空白，我们提出了一个多层级知识图对比学习框架（ML-KGCL），将对比学习引入基于知识图谱的推荐系统中。 ML-KGCL框架通过进行细粒度的节点表示学习，使对比学习任务更加适用于推荐任务，同时缓解长尾问题。 首先，我们通过图扩充策略生成正样本。 然后，我们将基于知识图谱的推荐分为三个层级：用户层级、实体层级和用户-物品层级，并进行细粒度的多层级对比学习，以优化节点表示。 接下来，我们通过信号整合策略获得最终的节点表示。 最后，模 …