PulseAugur
中
实时 11:36:11

新的损失函数改进了用于推荐的图神经网络

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为基数分解损失（CDL）的新方法，以提高图神经网络在推荐系统中的性能。传统方法通常使用单一损失函数，如贝叶斯个性化排序（BPR），这可能导致属性嵌入崩溃并对下游任务产生负面影响。CDL 将交叉熵（CE）与 BPR 相结合，以更好地优化具有不同基数的关系，从而提高属性嵌入的可区分性。CDL 的有效性在五个数据集上得到了证明，其性能受到语义对齐和拓扑泄露等图属性的影响。 AI

影响 这种新的损失函数可以通过改进用户和项目嵌入的学习方式来提高推荐系统的准确性和有效性。

排序理由 该集群描述了一篇介绍图神经网络新方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的损失函数改进了用于推荐的图神经网络

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Parul Maheshwari, Amulya Paruchuri, Yiqing Zou, Alireza Sahami Shirazi, Farhad Farahani, Prakhar Mehrotra ·

    基数分解损失：在异构推荐图中匹配训练目标与关系结构

    arXiv:2607.20737v1 Announce Type: new Abstract: Graph Neural Networks trained on heterogenous bipartite graphs form a common basis in recommendation systems. These graphs often express relations that vary in cardinality, for example, user-item preferences are one-to-many and user…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Prakhar Mehrotra ·

    基数分解损失：在异构推荐图中匹配训练目标与关系结构

    Graph Neural Networks trained on heterogenous bipartite graphs form a common basis in recommendation systems. These graphs often express relations that vary in cardinality, for example, user-item preferences are one-to-many and user-attribute features are one-to-one. Traditionall…

相关实体

相关话题