已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Collaborative graph contrastive learning for recommendation

计算机科学 图形 自然语言处理 理论计算机科学
作者
Tao Wei,Changchun Yang,Yanqi Zheng,Jingxue Zhang
出处
期刊:Journal of Intelligent and Fuzzy Systems [IOS Press]
卷期号:: 1-14
标识
DOI:10.3233/jifs-236497
摘要

Recently, Graph Neural Networks (GNNs) using aggregating neighborhood collaborative information have shown effectiveness in recommendation. However, GNNs-based models suffer from over-smoothing and data sparsity problems. Due to its self-supervised nature, contrastive learning has gained considerable attention in the field of recommendation, aiming at alleviating highly sparse data. Graph contrastive learning models are widely used to learn the consistency of representations by constructing different graph augmentation views. Most current graph augmentation with random perturbation destroy the original graph structure information, which mislead embeddings learning. In this paper, an effective graph contrastive learning paradigm CollaGCL is proposed, which constructs graph augmentation by using singular value decomposition to preserve crucial structure information. CollaGCL enables perturbed views to effectively capture global collaborative information, mitigating the negative impact of graph structural perturbations. To optimize the contrastive learning task, the extracted meta-knowledge was propagate throughout the original graph to learn reliable embedding representations. The self-information learning between views enhances the semantic information of nodes, thus alleviating the problem of over-smoothing. Experimental results on three real-world datasets demonstrate the significant improvement of CollaGCL over state-of-the-art methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
2秒前
SSU完成签到,获得积分10
4秒前
深情安青应助LIUYI采纳,获得10
4秒前
Jack完成签到,获得积分10
4秒前
rosestar发布了新的文献求助10
5秒前
tzy发布了新的文献求助10
6秒前
赵雪完成签到,获得积分10
7秒前
11驳回了Jasper应助
8秒前
8秒前
9秒前
sss发布了新的文献求助10
10秒前
英姑应助tzy采纳,获得10
11秒前
Gt发布了新的文献求助10
11秒前
围城完成签到,获得积分10
11秒前
优秀不愁发布了新的文献求助10
11秒前
上官若男应助QI采纳,获得10
12秒前
羊水彤发布了新的文献求助10
13秒前
搜集达人应助匿蝶采纳,获得10
15秒前
叶落孤城完成签到 ,获得积分10
15秒前
18秒前
啊呜发布了新的文献求助10
18秒前
虚心的如曼完成签到 ,获得积分10
18秒前
18秒前
赘婿应助科研通管家采纳,获得10
21秒前
21秒前
21秒前
21秒前
科研通AI2S应助科研通管家采纳,获得10
21秒前
阿强应助帝国之花采纳,获得30
22秒前
1zzz完成签到,获得积分10
22秒前
24秒前
脑洞疼应助梵高采纳,获得10
25秒前
Gt发布了新的文献求助10
26秒前
26秒前
积极老黑完成签到,获得积分10
28秒前
美好斓发布了新的文献求助10
28秒前
8R60d8应助王九八采纳,获得10
30秒前
30秒前
tzy发布了新的文献求助10
31秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256682
求助须知:如何正确求助?哪些是违规求助? 2898806
关于积分的说明 8302521
捐赠科研通 2568005
什么是DOI,文献DOI怎么找? 1394838
科研通“疑难数据库(出版商)”最低求助积分说明 652913
邀请新用户注册赠送积分活动 630631