实体
Graph Collaborative Filtering
Graph Collaborative Filtering
PulseAugur coverage of Graph Collaborative Filtering — every cluster mentioning Graph Collaborative Filtering across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
DualGCN框架增强了推荐系统在冷启动场景下的性能
研究人员开发了DualGCN，一个旨在改进推荐系统的新型框架，特别是在新物品缺乏交互数据的冷启动场景下。DualGCN框架采用两阶段训练过程。首先，它构建了一个结合语义信息的协同教师网络，以稳定物品表示。其次，一个语义学生分支使用余弦蒸馏目标将这些表示与跨模态数据对齐，确保高保真度对齐而不损害现有的协同信号。这种方法旨在克服冷启动推荐中通常出现的表示崩溃问题。
-
新研究揭示了协同过滤图中的“边谱”
一篇新研究论文提出了在用于协同过滤的选择派生项目图中的“边谱”概念。研究表明，这些图中的强边和弱边编码了不同类型的关系，这与强边仅仅代表相同关系的更多这一假设相反。这种区别至关重要，因为选择派生图中的强边倾向于突出显示“in-slate”竞争对手，这些竞争对手会被排名梯度主动推开，而弱边则不表现出这种行为。研究结果解释了为什么某些协同过滤算子表现不佳，并提出了一个可重用的协议供从业者在部署前分析这些图。
-
新的神经树协同过滤框架增强推荐系统
研究人员推出了一种新颖的框架——神经树协同过滤（NTCF），它通过将局部邻域视为有根树来重构图协同过滤（GCF）。该方法使用基于局部连通性的离散 Ricci 曲率代理来计算节点特定的传播深度。NTCF 在理论上可以泛化现有的 GCF 方法，并在公开数据集上展示了卓越的性能，与均匀深度传播相比，提供了更强的表示能力。