面向拓扑感知的修正自监督图学习用于推荐
原文中文，约300字，阅读约需1分钟。发表于：。推荐算法中的图协同过滤方法通过引入图对比学习 (GCL) 来缓解数据稀疏性，然而这些基于 GCL 的协同过滤模型中的随机负采样策略忽略了用户（物品）的语义结构，从而引入了假阴性且忽略了潜在的正样本。为解决上述问题，我们提出了一种面向推荐的拓扑感知去偏自监督图学习 (TDSGL) 方法，根据用户（物品）间的语义相似性构建对比对。实验结果表明，所提出的模型在三个公开数据集上显著优于现有模型。
该文介绍了一种新的推荐算法——面向推荐的拓扑感知去偏自监督图学习(TDSGL)方法，该方法通过构建对比对来缓解数据稀疏性，解决了基于图协同过滤方法中随机负采样策略忽略用户（物品）语义结构的问题，实验结果表明该模型在三个公开数据集上表现显著优于现有模型。
