【A Multi-view Graph Contrastive Learning Framework for Cross-Domain Sequential Recommendation】

最新推荐文章于 2025-08-24 18:40:16 发布
最新推荐文章于 2025-08-24 18:40:16 发布
阅读量799 收藏 10
点赞数 16
CC 4.0 BY-SA版权
分类专栏： 推荐系统 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Zjkorigin/article/details/141254106

A Multi-view Graph Contrastive Learning Framework for Cross-Domain Sequential Recommendation （RecSys 2023）

在这里插入图片描述

序列推荐方法在推荐系统中发挥着不可替代的作用，它可以从行为序列中捕获用户的动态偏好。 尽管取得了成功，但这些工作通常会遇到实际应用中普遍存在的稀疏问题。 跨域顺序推荐旨在通过引入相对丰富的源域数据来缓解这一问题。 然而，大多数现有方法独立于每个域捕获用户的偏好，这可能会忽略来自不同域的序列之间的项目转换模式，即用户在一个域中的交互可能会影响他/她在其他域中的下一次交互。 此外，由于目标域和源域中的某些项目仅交互有限次数，因此数据稀疏问题仍然存在。 为了解决这些问题，在本文中，我们提出了一个名为多视图图对比学习（MGCL）的通用框架。 具体来说，我们在域内项目表示视图和域间用户偏好视图中采用对比机制。 前者是共同学习用户序列图中的动态序列信息和跨域全局图中的静态协作信息，而后者是捕获来自不同域的用户偏好的互补信息。

背景-序列跨域推荐

在这里插入图片描述

如上图所示,用户在源域（图书）看了好多《福尔摩斯》相关书籍，那么在目标域（电影），可以为用户推荐关于福尔摩斯相关的电影。

<

最低0.47元/天 解锁文章

200万优质内容无限畅学
CIKM2022推荐系统论文集锦
张小磊的博客
09-22 1024
嘿，记得给“机器学习与推荐算法”添加星标第31届信息和知识管理国际会议CIKM2022将于2022年10月17日-21日以混合会议的方式在美国亚特兰大举行。CIKM会议是数据库／数据挖掘／内容检索领域顶级国际会议，也是中国计算机学会规定的CCF B类会议。关于该会议在历年推荐系统论文收录情况请参考下文：CIKM2021推荐系统论文集锦CIKM2020推荐系统论文集合本文主要是从教程以及研究型论文和...
论文学习笔记：Privacy-preserving Cross-domain Recommendation with Federated Graph Learning
m0_57180439的博客
11-18 1345
然而，正如之前的研究]所指出的那样，这些用户内嵌信息已经编码了用户行为的隐私信息，出于对隐私的考虑，不能直接共享到域外。在本文中，我们提出了一种新颖的，据我们所知，用于隐私保护跨域推荐的联邦图学习方法( PPCDR )，以基于分布式多域数据捕获用户的偏好，并在不泄露隐私的情况下提高所有域的推荐性能。具体来说，对于每个领域，我们通过增加连接全局和本地用户节点(对应全局和本地用户偏好)的链接来构建特定领域的用户-项目交互图，如图1所示，然后设计了一种基于GNNs的联合图学习方法。
论文《Contrastive Learning for Sequential Recommendation》
whgyxy的博客
04-10 5821
论文地址：https://arxiv.org/abs/2010.14395 摘要 序列推荐经常因为数据稀疏性问题，导致很难学习到高质量的用户向量表示。论文引入对比学习，提出Contrastive Learning for Sequential Recommendation(CL4SRec).，不仅有下一个序列预测的优势，还利用对比学习框架从原始用户行为序列中获取自监督信号。另外论文提出3种构造自监督信号的数据增强方法，在4个公开数据集上面大量实验表明得到的用户表示更好。 简介 序列推荐任务能捕捉用户动态的兴
跨域推荐(Cross-Domain Recommendation)的最新综述
m0_57656758的博客
12-05 5655
论文解读系列第十六篇：IJCAI 2021--跨域推荐（Cross-Domain Recommendation）的最新综述 - 知乎目录1.背景介绍(1)内容层级相关性(content-level relevance)(2)用户层级相关性(user-level relevance)(3)产品层级相关性(item-level relevance)2.综述的动机3. 不同的跨域推荐场景以及挑战场景1. 单目标跨域推荐(single-target CDR)场景2. 多领域推荐(Multi-Domain Recom
800 篇顶会论文纵览推荐系统的前沿进展(转载)
weiwei935707936的博客
06-06 1743
从早期基于用户或物品邻域的 UserKNN 和 ItemKNN 方法，到基于矩阵分解的 SVD++、BPRMF，再到近几年基于图神经网络的 NGCF、LightGCN 等模型，基于相似性进行推荐的思路时至今日仍然在新技术的推动下焕发着强大的生机。本文聚焦于推荐系统在学术研究方面的前沿进展，在之前整理的 Awesome-RSPapers 基础上扩展了近两年顶会中推荐系统相关的论文，涵盖 SIGIR、SIGKDD、RecSys、CIKM、AAAI、WSDM、WWW 的 20 次会议。欢迎大家关注和 Star~
顶会文章分享
qq_41878620的博客
07-29 536
2022 SIGIR顶会论文，将对比学习应用到基于知识图谱的推荐中
2022_WWW_Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
weixin_46645827的博客
03-23 3023
[论文阅读笔记]2022_WWW_Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning 论文下载地址： https://doi.org/10.1145/3485447.3512104 发表期刊：WWW Publish time: 2022 作者及单位: Zihan Lin1†, Changxin Tian1†, Yupeng Hou2†, Wayne Xin Zhao2,3B 1Sch
WSDM 2023 推荐系统相关论文整理（一）
Cybenko
06-04 1824
WSDM 2023的论文录用结果已出，推荐系统相关的论文方向包含序列推荐，点击率估计等领域，涵盖图学习，对比学习，因果推断，知识蒸馏等技术，累计包含近四十篇论文，下文列举了部分论文的标题以及摘要，更多内容欢迎关注公众号【
什么是contrastive learning？
热门推荐
paper_reader的博客
05-10 1万+
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 引言 对比学习最近特别火，为了弄懂这个方向以及需要解决的问题，所以本文将各个领域内比较重要的一些工作拿出来介绍讨论一下。对比学习（Contrastive learning）的主要是与自学习（self-supervised learning）结合起来，从而挖掘数据集本身的一些特性，来帮助模型进行无标签的学习。 计算机视觉 Si...
KDD‘22推荐系统论文梳理(24篇研究&36篇应用论文)
公众号/知乎: AI算法札记，欢迎关注交流
08-07 5333
KDD' 22已公布录用论文，接收254篇/投稿1695篇，录用率为14.98%。经过两个月的速读，终于把2022年已公布的推荐系统相关顶会梳理一遍，暂时只剩KDD (很快CIKM也将公布，欢迎关注，及时获取最新分享) ，其他会议的论文可以参考公众号或知乎的文章。本文对**Research Track**推荐系统相关的**24篇**论文和**ADS Track**推荐系统相关的**36篇**论文进行分类整理。整理不易，欢迎点赞收藏关注，一起交流学习。...
Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data
dugking的博客
04-01 340
Basic Information: Title: Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data （基于交叉视图图形对齐学习的局部对齐多视图数据学习） Authors: Yiming Wang, Dongxia Chang, Zhiqiang Fu, Jie Wen, Yao Zhao Affiliation: Yiming Wang - Xiamen Universi
800 篇顶会论文纵览推荐系统的前沿进展
abcdefg90876的博客
12-04 2780
©作者｜张君杰机构｜中国人民大学高瓴人工智能学院引言：推荐系统作为人工智能领域最具有应用前景的方向之一，在学术界和工业界一直占据着重要地位。本文聚焦于推荐系统在学术研究方面的前沿进展，在之前整理的 Awesome-RSPapers 基础上扩展了近两年顶会中推荐系统相关的论文，涵盖 SIGIR、SIGKDD、RecSys、CIKM、AAAI、WSDM、WWW 的 20 次会议。本次整理以长文和研究...
线性回归笔记
2402_88703635的博客
08-22 840
线性回归是一种基于最小二乘法的预测建模技术，通过构建自变量与因变量的线性关系进行预测。文章介绍了线性回归的核心思想、一般形式、评估指标（SSE、MSE、R²）和参数估计方法，重点阐述了多元线性回归与简单线性回归的区别与联系。线性回归具有解释性强、计算高效的优点，广泛应用于房地产定价、医学研究和市场营销等领域。最后说明了sklearn库中线性回归算法的实现方法及其参数作用。
机器学习--数据清洗—（续篇）
2501_91237346的博客
08-20 1144
本文摘要： 该代码实现了矿物数据分类的完整机器学习流程。首先对原始数据进行预处理，包括删除异常类别、缺失值检测、标签编码和Z标准化。然后采用随机森林算法进行缺失值填充，通过训练集数据预测并填充测试集缺失值。接着使用SMOTE算法解决样本不均衡问题，并保存处理后的数据集。最后实现了6种分类算法（逻辑回归、随机森林、SVM、AdaBoost、朴素贝叶斯和XGBoost）进行矿物类型预测，通过网格搜索优化参数，并评估各模型的召回率和准确率等指标。所有结果保存为JSON格式文件，便于后续分析和比较不同填充方法与分类
机器学习——附录与补充
qq_66878808的博客
08-20 627
简单来说，min-max 是一种“你最小化我的最大化”的博弈策略问题。min⁡x∈Xmax⁡y∈Yfxyx∈Xmin​y∈Ymax​fxy意思是：“我想选择一个xxx，让无论yyy怎么挑使得fxyf(x, y)fxy最大，它的值也尽量小。这个问题也叫鞍点问题对抗优化问题机器学习（对抗样本、GAN）博弈论（零和博弈）强化学习（最大最小价值）网络安全（最坏情况分析）
【机器学习】3 Generative models for discrete data
最新发布
weixin_44606139的博客
08-24 140
本章介绍离散数据的生成模型，主要包括贝叶斯概念学习、beta-二项模型、Dirichlet-多项模型和朴素贝叶斯分类器。首先探讨贝叶斯概念学习的似然、先验、后验及后验预测分布，随后详细分析beta-二项和Dirichlet-多项模型的构建过程。最后重点讲解朴素贝叶斯分类器的模型拟合、预测方法、对数求和技巧、基于互信息的特征选择以及词袋文档分类应用。这些模型为处理离散数据提供了系统的贝叶斯框架和方法。
机器学习经典算法总结：K-Means聚类与集成学习（Bagging, Boosting, Stacking）
2201_75691511的博客
08-21 910
聚类是一种无监督学习方法，目标是将相似的数据点划分为同一组，不相似的数据点划分到不同组。难点在于：如何评估聚类效果、如何选择合适的聚类数目K、如何定义“相似性”。集成学习通过结合多个弱学习器构建一个强学习器，提升模型的泛化能力和鲁棒性。算法类型代表算法特点适用场景聚类K-Means无监督，简单高效数据分群、图像分割集成学习-Bagging随机森林并行、抗过拟合、可解释性强分类、回归、特征选择集成学习-BoostingAdaBoost串行、调整权重、强分类器二分类、异常检测。
【机器学习&深度学习】自然语言与多模态大模型
qq_62223405的博客
08-23 685
▲自然语言大模型：专注于理解和生成文本，擅长处理与语言相关的任务； ▲多模态大模型：能同时理解和生成文字、语音、图像、视频等多种数据形态，实现更接近人类感知的智能；
Adaptive Fusion of Multi-View for Graph Contrastive Recommendation
02-26
### 多视图自适应融合技术在图对比学习中的应用 #### 图对比学习概述 图对比学习旨在通过最大化同一节点的不同增强视图之间的互信息来捕捉图结构的内在特征[^1]。这种方法不仅能够有效利用未标记数据，还能提升模型对于复杂关系的理解能力。 #### 多视图构建 为了实现更丰富的表征，在多视角框架下通常会创建不同类型的子图作为输入给定网络的不同版本。这些变体可以通过多种方式获得，比如随机删除边、采样子图或是基于属性过滤等操作[^3]。每种变换都提供了关于原始图形的独特见解，从而有助于形成更为全面的认知体系。 #### 自适应融合机制 针对来自各个视角的信息整合问题，提出了几种有效的解决方案： - **注意力加权平均法**：采用可训练参数α_i控制各层权重分配比例，使得重要部分得到更多关注的同时保持整体稳定性。 ```python import torch class AttentionFusion(torch.nn.Module): def __init__(self, num_views): super(AttentionFusion, self).__init__() self.attention_weights = torch.nn.Parameter(torch.ones(num_views)) def forward(self, views_embeddings): normalized_weights = torch.softmax(self.attention_weights, dim=0) fused_embedding = sum([w * v for w, v in zip(normalized_weights, views_embeddings)]) return fused_embedding ``` - **动态调整策略**：依据当前任务需求实时改变组合模式，如根据损失函数梯度变化趋势决定下一步侧重方向；或者借助外部反馈信号指导内部结构调整过程。 - **层次化聚合方案**：先分别处理局部区域内的关联性再逐步扩大范围直至全局一致，此过程中允许存在交叉影响以促进信息流通效率。 上述方法共同作用于最终输出之前的关键环节——即如何合理有效地将由不同角度观察所得的结果结合起来，进而达到最优解的目的[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值