-
题名融合成对损失函数与分级图卷积网络的协同排名模型
- 1
-
-
作者
郑升旻
胡林发
漆鑫鑫
-
机构
昆明理工大学信息工程与自动化学院
-
出处
《现代电子技术》
北大核心
2024年第4期169-175,共7页
-
文摘
协同排名方法是一类直接优化推荐项目序列的推荐方法,但在显式评分场景中,现有的协同排名算法对用户和项目间的交互信息利用不足,使用的交互函数对用户和项目间的非线性交互关系建模不充分。针对此问题,提出一种融合成对损失函数与分级图卷积网络的协同排名模型。首先根据评分数据构造用户和项目的分级异质交互二部图以及项目间的成对比较集合;之后利用分级图卷积网络挖掘用户和项目间的异质交互关系,并设计相应的自连接操作;接着利用神经网络融合辅助信息以构造两者的嵌入表示,结合神经网络与内积构造用户项目间的交互函数以建模非线性关系;最后基于成对比较数据优化模型,提升模型预测排名质量。在多个公开数据集上与同类方法的对比实验结果表明,所提算法预测排名质量较优。
-
关键词
协同排名
成对损失函数
图卷积神经网络
异质交互图
自连接
非线性关系
-
Keywords
collaborative ranking
paired loss function
graph convolutional neural network
heterogeneous interaction diagram
self connection
nonlinear relationships
-
分类号
TN926-34
[电子电信—通信与信息系统]
TP391.3
[自动化与计算机技术—计算机应用技术]
-
-
题名鲁棒的单类协同排序算法
被引量：4
- 2
-
-
作者
李改
李磊
-
机构
中山大学信息科学与技术学院
顺德职业技术学院电子与信息工程学院
中山大学软件研究所
-
出处
《自动化学报》
EI
CSCD
北大核心
2015年第2期405-418,共14页
-
基金
国家自然科学基金(61003140
61033010)
中山大学高性能与网格计算平台资助~~
-
文摘
单类协同过滤(One-class collaborative filtering,OCCF)问题是当前的一大研究热点.之前的研究所提出的算法对噪声数据很敏感,因为训练数据中的噪声数据将给训练过程带来巨大影响,从而导致算法的不准确性.文中引入了Sigmoid成对损失函数和Fidelity成对损失函数,这两个函数具有很好的灵活性,能够和当前最流行的基于矩阵分解(Matrix factorization,MF)的协同过滤算法和基于最近邻(K-nearest neighbor,KNN)的协同过滤算法很好地融合在一起,进而提出了两个鲁棒的单类协同排序算法,解决了之前此类算法对噪声数据的敏感性问题.基于Bootstrap抽样的随机梯度下降法用于优化学习过程.在包含有大量噪声数据点的实际数据集上实验验证,本文提出的算法在各个评价指标下均优于当前最新的单类协同排序算法.
-
关键词
推荐系统
单类协同过滤
协同排序
隐式反馈
成对损失函数
-
Keywords
Recommender systems, one-class collaborative filtering （OCCF）, collaborative ranking, implicit feedback,pairwise loss function
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
