2022年6月11日 · ©PaperWeekly 原创 · 作者 | 杨雨豪 单位 | 香港大学 研究方向 | 推荐系统 1. 研究背景. 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 ...

2022年5月2日 · Knowledge Graphs (KGs) have been utilized as useful side information to improve recommendation quality. In those recommender systems, knowledge graph information often contains fruitful facts and inherent semantic relatedness among items. However, the success of such methods relies on the high quality knowledge graphs, and may not learn …

2022年6月9日 · 现有知识图谱（kg）的稀疏性和噪声使得项目-实体依赖关系偏离了反映其真实特征，从而显着放大了噪声效应，阻碍了用户偏好的准确表示。为了填补这一研究空白，作者设计了一个通用的知识图对比学习框架（kgcl），该框架可以减轻知识图增强推荐系统的信息噪声。

Knowledge Graphs (KGs) have been utilized as useful side information to improve recommendation quality. In those recommender systems, knowledge graph information often contains fruitful facts and inherent semantic relatedness among items.

[SIGIR'22] Knowledge Graph Contrastive Learning for Recommendation - yuh-yang/KGCL-SIGIR22

2024年8月18日 · 文章浏览阅读1.7k次，点赞45次，收藏32次。现有知识图谱（kg）的稀疏性和噪声使得项目-实体依赖关系偏离了反映其真实特征，从而显着放大了噪声效应，阻碍了用户偏好的准确表示。为了填补这一研究空白，作者设计了一个通用的知识图对比学习框架（kgcl），该框架可以减轻知识图增强推荐系统的 ...

@inproceedings{yang2023knowledge, title={Knowledge graph self-supervised rationalization for recommendation}, author={Yang, Yuhao and Huang, Chao and Xia, Lianghao and Huang, Chunzhen}, booktitle={Proceedings of the 29th ACM SIGKDD conference on knowledge discovery and data mining}, pages={3046--3056}, year={2023} }

2022年12月16日 · 现有知识图谱（kg）的稀疏性和噪声使得项目-实体依赖关系偏离了反映其真实特征，从而显着放大了噪声效应，阻碍了用户偏好的准确表示。为了填补这一研究空白，作者设计了一个通用的知识图对比学习框架（kgcl），该框架可以减轻知识图增强推荐系统的信息噪声。

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

the consumption behaviors of users over different items. In matrix Y, the element 𝑦 , = 1 given that user has adopted item before (e.g., click, review or purchase) and 𝑦 , = 0, otherwise. User-Item Interaction Graph.