HGCL,它能够将异构关系语义纳入用户-项目交互模型中,并通过

频道:社交专题 日期: 浏览:26

推荐的异质图对比度学习

在这里插入图片描述

纸:

源代码:

概括

图神经网络(GNN)已成为在推荐系统中建模图形结构数据的强大工具。但是,现实生活中的建议方案通常涉及异质关系(例如,社会感知的用户影响,知识感知的项目依赖性),其中包含丰富的信息以增强用户偏好学习。在本文中,我们研究了异质图增强关系学习的建议问题。最近,比较自学学习在推荐领域取得了成功。鉴于此,我们提出了一个异质的图形对比度学习HGCL,它能够将异质关系语义纳入用户项目相互作用模型中,并通过不同视图之间的对比度学习来增强知识传递。但是,异质辅助信息对交互的影响可能因用户和项目而异。为了推进这一想法,我们通过metanetwork增强了异质图对比度学习,以允许具有自适应对比度增强的个性化知识转换器。

1简介

在现实的推荐系统中,无处不在的异质关系信息,例如用户和知识吸引的项目依赖性之间具有语义相关性的项目依赖性的社交网络联系。在本文中,我们应对将异构辅助信息合并为协作过滤的挑战以增强推荐系统。受GNN在各种推荐任务中的成功的启发,研究人员试图设计异构图神经网络,将异质关系的丰富语义嵌入到潜在的表示中。但是,大多数现有研究的代表性通常受到稀疏培训标签的限制。换句话说,当前的异质图神经网络是需要标签数据的学习模型爱游戏app入口官网首页,因此,可能不会生成具有稀疏交互式标签的高质量用户/项目嵌入,以用于优化推荐人的模型[15,29]。

与自我监督的学习相比,它是一种有前途的表示技术爱游戏最新官网登录入口,通过数据扩大未标记的数据本身来解决数据稀疏的问题。通过将对比度学习与图形神经网络相结合,图比较学习(GCL)已成为增强在图结构上没有足够观察到的标签的情况下增强学习表示的鲁棒性的有效解决方案[38]。 GCL的总体想法是研究表示两个图表的视图代码之间的嵌入之间的对齐。在基于GCL的自学意义中,将最大化正对比样品的表示形式之间的一致性,而负面对的嵌入之间的距离将被推开。受此启发,我们将GCL的优势引入了异质关系学习以提高建议性能。

用户之间的社会影响可能会因用户的个性化特征和不同用户特定的交互模式而有所不同。盲目地增强用户对学习的偏爱而不考虑其个人特征很容易导致次优表示。在本文中,我们通过学习对比增强子来研究异质图学习的建议问题。

挑战:

i)如何有效地传达不同观点的辅助知识;

ii)如何通过个性化的增强来比较异质关系。

为了应对上述挑战,我们提出了一个称为异质图对比度学习(HGCL)的原则框架。具体而言,我们首先将异质图神经网络用作编码器,并且在编码的嵌入中保留了丰富的异质关系语义。为了应对个性化的增强,我们提出了一个量身定制的对比学习框架,该框架设计了一个元素来编码用户和项目的个性化特征。它使我们能够执行特定于用户的增强功能,以便在不同的关系视图之间传输信息信号。

对本文的贡献

1.HGCL通过异质图比较学习促进推荐系统,提供了一个通用框架,将异质辅助信息纳入图表比较学习范式下的推荐人。

2. HGCL通过将元网络与适应性增强的对比度学习相结合,以实现特定于用户的知识转移来解决我们的问题。它通过定制的跨视图增强功能来进步图形造影剂学习。

2相关工作

1.基于GNN的推荐系统

2.对抗性学习推荐

比较自学的学习吸引了研究人员的注意。这是因为生成的自我监督信号可用于丰富用户表示学习。在推荐系统中,对比度学习可以是一种强大的工具,可以结合自访信号的数据增强信号与对比度表示观点之间的一致性。例如,许多研究旨在通过提出针对嵌入式对比度的各种图表增强方案(例如SGL [29],HCCF [32]和NCL [14])来解决推荐人中的数据稀疏问题。特别是,在SGL中使用随机节点/边缘辍学操作来生成图形比较学习视图[29]。在HCCF [32]中,局部 - 全球对比度学习设计用于基于参数化的超图结构的自我监督增强。在这些比较图CF模型中,可以根据基于Infonce的比较来改善嵌入均匀性。还有一些研究利用了推荐系统中知识图表示的比较学习,例如KGCL [37]和KGIC [43]。此外,在各种建议方案中使用了比较学习,包括顺序建议[26],多行为建议[27]和多息推荐[40]。在这项工作中,提出了一种新型的异质图比较学习范式,以通过比较学习中捕获建议中的异质关系来填补建议系统中的空白。

3。异质图学习

在异质图上的表示学习旨在编码节点嵌入,其中可以很好地保留具有关系异质性的丰富语义[35]。为了实现这一目标,异质图神经网络成为一种有前途的技术,可提供最新的结果代表。例如,基于Metapath构造的Han [24]增强了图形注意力网络处理异质类型节点和关系的能力。在变压器框架的驱动下,HGT [11]设计了一个图形变压器网络,该网络利用自我发挥计算节点之间的传播权重来实现异质消息传递。此外,Magnn [7]还考虑了米内和膜间聚合,以将不同元数据的信息融合在异质图上。在HGIB [36]中,信息瓶颈扩展到同工型之间的自我监管的异质模式学习。鉴于这个研究方向,本文解决了异质图比较学习建议的重要但未开发的任务。

3方法

3.1预序

现实生活推荐系统中的关系通常是异质的,并且包含来自用户和项目的不同语义信息。我们使用Graph G = {V,V,E}来表示用户项目交互数据,其中V和V分别表示用户和项目集。在图G中,如果用户采用项目,则总和之间存在边缘((,)∈E)。为了表示用户之间的社会关系,图g = {v,e}定义为与Edge设置E的用户级社会关系。与Edge集合E合并,我们将术语graph g = {v,e}定义以将依赖关系与外部知识(EG Item类别)联系起来。对于这些定义的图爱游戏app官方入口最新版本,我们分别定义了三个相邻的矩阵A∈R×,A∈R×和A∈R×分别对应于Gragrs G,G,G和G。在这里,用户和项目的数量分别表示。这项工作的目的是预测用户和项目之间的图形与关系异质性的图表之间的未观察到的交互。

3.2异质图关系学习

关系感知的嵌入初始化。

我们使用异质图神经网络从用户对象图G,用户使用图G和Project-roject Graph G学习嵌入。首先,我们分配了嵌入e,e∈R,对应于由Xavier Initializer [8]初始化的ID,其中隐藏的维度表示为隐藏的维度。节点特异性嵌入形成初始嵌入矩阵E0εr×和E0εr×。初始嵌入被输入到不同的图形编码器中,以供用户项目域,用户使用域和项目项目域域。为了强调三种关系类型之间的交互模式差异,我们训练了一个自治模块[39],以从常见的初始嵌入空间中得出用户级社交连接和项目级别的语义关系的关系嵌入。

在这里插入图片描述

异构消息传播。

E0和E0用作用户项目视图的输入,并且E0和E0分别用作用户使用视图和项目项目项目视图的输入。

在这里插入图片描述

同样适用于用户用户和项目项目预测的消息传播

异构信息聚合。

受[11]中软元素路径设计的启发,每次迭代中的信息都是从异质关系中汇总的。通过多次迭代次数,高阶嵌入通过多跳连接来保留异质语义。特别是,通过下面定义的异质融合过程更新用户和项目的嵌入。

跨视图元网络

HGCL旨在通过结合用户社交联系和项目外部依赖性的异质关系的知识来增强协作过滤。但是,在现实生活中的用户建模方案中,用户和项目帮助信息对用户项目交互模式的影响可能因用户而异。例如,一些用户更容易受到社交朋友建议的影响,而另一些用户通常会根据其偏好采用项目。因此,有必要从辅助信息进行个性化的知识转移,以指导学习用户特定偏好的学习。为此,我们设计了一个跨视图元素网络,以实现用户和项目端之间的自定义知识蒸馏。

元知识提取。(元知识提取)

在这里插入图片描述

用户项目视图的嵌入捕获了用户与项目相关的交互模式。其他邻域信息明确增强了直接图形连接的建模。通过共同考虑信息的三个维度,元知识可以很好地反映出个性化跨视图知识转移的重要上下文信号。

个性化的跨视图知识转移。

在这里插入图片描述

3.4非均质的关系对比度学习以增强

跨视图对比学习。

基于基础的对比损失

增强了用户/项目表示学习的对比度学习学习

在这里插入图片描述

参数说明:

在这里插入图片描述

5。HGCL的优化目标

在这里插入图片描述

网友留言(0)

评论

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。