Обзор графовых нейронных сетей для рекомендательной системы
Обзор графовых нейронных сетей для рекомендательной системы

Автор | Твилли (авторизовано) Организация | https://zhuanlan.zhihu.com/p/686458569

Это первый обзор, составленный как отправная точка для углубленных исследований в этом направлении. Она не должна быть такой подробной и всеобъемлющей, как у ИИ, но в этой статье в основном собраны некоторые полезные для меня моменты во время чтения, чтобы я мог заархивировать и просмотреть детали в будущем.

Автор этой статьи очень четко описал конкретную структуру и особый дизайн статьи, поэтому в разделе «Обзор существующих методов исследования» я в основном написал обзор идей существующих методов исследования. небольшой обзор обзора. Для тех, кто новичок в этой области, вы можете прочитать этот обзор без особого напряжения~

По моему опыту я знаком с GNN, но еще не очень хорошо знаком с системой рекомендаций, поэтому я практически пропустил детали, связанные с GNN. Если у вас есть какие-либо вопросы, вы можете оставить сообщение в области комментариев для связи. Позже мы постепенно будем восполнять пробелы и разбирать базовые знания в статьях, чтобы учиться вместе.

Это непросто организовать, надеюсь, вам и мне в будущем понравится читать~

Основная информация

Название диссертации:Обзор графовых нейронных сетей для рекомендательных систем: проблемы, методы и направления

Информация журнала: ACM, 2023.

Авторское учреждение:

  • Beijing National Research Center for Information Science and Technology (BNRist),
  • Department of Electronic Engineering,
  • Tsinghua University,
  • School of Information Science and Technology,
  • University of Science and Technology of China,
  • Department of Electronic Engineering, Tsinghua University, China

Список основных идей

В этой статье представлены и анализируются разработки рекомендательных систем и графовых нейронных сетей, обобщаются и классифицируются последние работы по нескольким основным аспектам существующих работ и, наконец, обсуждаются некоторые открытые вопросы.

Среди них данная статья классифицируется следующим образом:

  • Различные этапы рекомендаций (этап): сопоставление, ранжирование, повторное ранжирование.
  • Различные сценарии рекомендаций (сценарий): социальная рекомендация, рекомендация последовательности, рекомендация сеанса, пакетная рекомендация, междоменная рекомендация, рекомендация с несколькими вариантами поведения...
  • Различные цели рекомендаций (Цель): точность、Разнообразие、Интерпретируемость、справедливость…
  • Конкретное применение (Приложение): рекомендации по продукту、Рекомендуемые достопримечательности、Рекомендации новостей、Рекомендации по фильмам…

Следующее будет разделено на три основные части, а именно: Рекомендационная часть системы, Часть нейронной сети графа и существующие исследования.

Рекомендательная часть системы

Разработка рекомендательных систем

Разработка рекомендательных системы можно разделить на три стадии: мелкая models -> neural network-based models -> GNN модели. в:

shallow models

Самая ранняя система рекомендаций использовала совместную фильтрацию (CF) для расчета сходства между пользователями и элементами. Впоследствии на этой основе были предложены такие методы, как матричная факторизация (МФ) и факторизационная машина.

Недостатки: Невозможно обрабатывать сложное поведение пользователя и ввод данных.

neural network-based models

Чтобы решить проблему недостаточного обучения представлению простых сетей, исследователи предложили нейронную совместную фильтрацию (NCF) и машину глубокой факторизации (DeepFM), которые фактически объединяют нейронные сети с ранее упомянутыми CF и FM.

Недостатки: по-прежнему не учитывается структурная информация высокого порядка данных. (Обратите внимание, что на предпочтения пользователей также могут влиять друзья друзей)

GNN models

Преимущества GNN можно легко использовать в рекомендательных системах. В рамках структуры распространения сообщений каждый узел может получать информацию о соседях высокого порядка, а информация о структурированных данных также может быть стимулирована с большей жизнеспособностью. Тем не менее, в конкретных приложениях все еще существуют серьезные проблемы:

  1. Как построить подходящую структуру графа?
  2. Некоторые детали моделидизайн,eg. Как агрегировать, распространять и обновлять? Каково определение функции потерь? Как сделать выборку?
  3. Фактическое развертывание GNN — это серьезное испытание с точки зрения использования ресурсов и затрат времени.

Три этапа рекомендательной системы

Matching
  • Цель: быстро найти сотни проектов-кандидатов из пулов проектов уровня миллиона и миллиарда.
  • Метод: выберите простую модель + многофакторное сопоставление (встраивание рассчитывает сходство, сходство географического местоположения, популярность и т. д.).
  • Основные задачи: эффективно вспомнить потенциально релевантные элементы + получить общее моделирование интересов пользователей.
Ranking
  • Цель: Отобрать десятки кандидатов из пула проектов сотен уровней.
  • Метод: использовать более сложную модель для дальнейшего рассмотрения характеристик пользовательского элемента.
  • Основная задача: разработать подходящие алгоритмы для захвата сложных взаимодействий функций.
Re-Ranking
  • Цель: продолжить фильтрацию элементов или изменить порядок выбранных элементов.
  • Метод: алгоритм разработки, основанный на различных целях рекомендаций (более разнообразных? более точных?...).
  • Основная задача: дальнейшее внимание к сложным взаимосвязям между элементами топ-к.

Несколько основных сценариев рекомендательных систем

В этой статье в основном обсуждается социальная рекомендация, последовательная рекомендация (последовательная recommendation)、рекомендация сеанса, рекомендация пакета (buddle recommendation)、Междоменная рекомендация (междоменная рекомендация)、Многоповеденческая рекомендация Эти шесть рекомендуемых сценариев. Здесь дано лишь краткое объяснение понятий.

социальная рекомендация

В рекомендательных системах с социальными сценариями на выбор пользователей будут влиять не только их собственные предпочтения, но и социальные факторы. Социальные факторы здесь можно разделить на два типа: один — социальное влияние, просто потому, что оно нравится вашим друзьям, значит, оно понравится и вам; другой — социальная гомофилия, например, вкусовые привычки в семье сойдутся.

Поэтому в социальных рекомендациях эти социальные отношения обычно интегрируются в систему рекомендаций, чтобы улучшить конечную производительность модели. Поэтому то, как моделировать влияние социальных отношений, является ключевым вопросом, который необходимо учитывать при социальных рекомендациях.

Последовательная рекомендация

Рекомендация по последовательности состоит в том, чтобы выявить возможные точки интереса пользователя на основе исторической последовательности поведения пользователя, а затем спрогнозировать следующее возможное интерактивное поведение. В настоящее время возникают две основные проблемы: во-первых, точки интереса пользователя будут разделены на краткосрочные, долгосрочные, динамические точки интереса и т. д., а процесс рекомендаций может включать одновременное моделирование различных точек интереса; во-вторых, согласно рекомендации по последовательности, один и тот же элемент может появляться в разных последовательностях, или один и тот же пользователь может соответствовать нескольким различным последовательностям. В это время при выполнении обучения представления для узлов следует учитывать эти совпадающие/связанные сигналы.

рекомендация сеанса

Под «сеансом» в системе диалоговых рекомендаций понимается взаимодействие между пользователем и системой в течение определенного периода времени, которое также можно понимать как «короткую последовательность». Рекомендация сеанса — спрогнозировать следующее возможное поведение при взаимодействии только на основе краткосрочных данных о взаимодействии.

По сравнению с рекомендацией последовательности, рекомендация сеанса будет уделять больше внимания недавнему поведению пользователя и динамическим изменениям интересов. В этом сценарии долгосрочные предпочтения среднестатистического пользователя совершенно неизвестны (или игнорируются). В это время система может быстро реагировать на последнее поведение пользователя и своевременно корректировать стратегию рекомендаций для удовлетворения текущих потребностей пользователя. . Самое распространенное применение — персональные рекомендации в каждом приложении.

Рекомендация по пакету

Цель комплексных рекомендаций — рекомендовать пользователям на выбор подходящий набор портфелей проектов. Например, музыкальный плейлист, полный набор рекомендаций по экипировке, планы сочетания лекарств и т. д.

Междоменная рекомендация (междоменная рекомендация)

Междоменные рекомендации будут в полной мере использовать корреляцию между доменами и могут облегчить проблемы холодного запуска и разреженности данных. В зависимости от направления потока информации между доменами междоменные рекомендации можно разделить на CDR с одной целью (STCDR) от исходного домена к целевому домену, CDR с двумя целями (DTCDR), где исходный домен и целевой домен взаимодействовать друг с другом и продвигать многоцелевую CDR DTCDR (MTCDR).

Многоповеденческая рекомендация

Многоповеденческая рекомендация дополнительно учитывает поведенческую информацию пользователя при выборе товаров. Если взять в качестве примера покупку товаров, объем просмотренных пользователем, сборов, обмена и других поведенческих данных намного превышает покупательское поведение пользователя. Целью рекомендации с несколькими вариантами поведения является объединение нескольких вариантов поведения для улучшения эффекта рекомендации целевого поведения (например, покупки).

В конкретном процессе рекомендации нескольких вариантов поведения может возникнуть необходимость учитывать различия во влиянии различных вариантов поведения на целевое поведение, которое связано с самим поведением и поведенческими предпочтениями пользователя. Кроме того, в процессе обучения представлению также может потребоваться учитывать семантическую информацию о различных вариантах поведения.

Несколько основных целей рекомендательных систем

Точность

Один из самых основных показателей

Разнообразие

Разнообразие подразделяется на индивидуальное разнообразие и системное разнообразие. Индивидуальное разнообразие надеется, что типы вещей, рекомендуемых пользователям, не должны быть одинаковыми, а должны относиться к нескольким категориям и быть максимально сбалансированными, в то время как системное разнообразие надеется, что вещи, рекомендуемые разным пользователям, не должны быть одинаковыми. На рисунке ниже показан конкретный пример.

Объясняемость

Повышение объяснимости системы рекомендаций может повысить прозрачность, убедительность и достоверность восприятия пользователей, а также облегчит отладку и улучшение системы.

Справедливость

Справедливость также делится на две части: справедливость пользователей и справедливость проекта. Для пользователей рекомендуемые продукты не должны иметь алгоритмической предвзятости среди разных пользователей и групп, а для проектов не должно быть слишком больших различий в подверженности разных проектов; В общем, это индикатор обнаружения предвзятости алгоритма. Следует отметить, что обработка графических данных затруднит справедливость.

Несколько основных областей применения рекомендательных систем

рекомендация продукта

Рекомендации по продуктам, также называемые рекомендациями по электронной коммерции, некоторые из которых тесно связаны с доходами платформы, например дополнительные покупки, покупки и т. д. Сами товары также будут иметь очень богатые характеристики, такие как цена, категория и т. д. Общие наборы данных о продуктах включают Amazon и Tmall.

Рекомендации по достопримечательностям (POI)

Цель рекомендаций по достопримечательностям — порекомендовать новые достопримечательности для следующего посещения пользователя. В рекомендации по интересам есть два важных фактора: пространство и время. Пространственный фактор относится к естественно существующим географическим атрибутам POI, а действия пользователя часто ограничиваются географическим местоположением, тогда как временной фактор относится к тому факту, что поведение пользователя часто представляет собой временную последовательность, поэтому могут возникнуть проблемы со следующим POI и другими POI; успешный POI. Общие наборы данных POI включают Yelp, Gowalla...

Рекомендации новостей

Текстовую информацию необходимо моделировать, обычно в сочетании с технологией НЛП. Однако в рекомендациях новостей из-за своевременности новостей набор кандидатов на новости будет быстро меняться, поэтому быстро найти соответствующие новости является большой проблемой. Общий набор данных новостей: MIND.

Рекомендации по фильмам

Рекомендации по фильмам — одна из первых систем рекомендаций. Первоначально она прогнозировала рейтинг пользователей от 1 до 5, а затем превратилась в популярную настройку двоичной неявной обратной связи. Он не требует от пользователей активного предоставления оценок, а лишь позволяет сделать вывод о предпочтениях пользователя на основе поведения пользователя, которое имеет определенную корреляцию с предыдущими рекомендациями по множеству вариантов поведения.

Другие приложения

Видеорекомендации, музыкальные рекомендации, рекомендации по работе, рекомендации по еде и т. д.

Часть нейронной сети графа

В этой статье мы в основном сосредоточимся на построении графа, проектировании сетевой архитектуры и окончательном выборе целей оптимизации.

Строительная часть графа

Во всей конструкции сети используемые графы в основном включают однородный граф (однородный граф), гетерогенный граф (гетерогенный граф) и гиперграф (гиперграф). Среди них гетерогенный граф — это обычный граф с несколькими типами узлов и ребер, а гиперграф — это гиперграф, в котором каждое ребро может быть соединено с тремя или более узлами. Благодаря существованию гиперребер для построения гиперграфа можно использовать полную информацию о взаимодействии. В обычном смысле часто необходимо абстрагировать соответствующие отношения точки и края от реальной сцены.

Часть проектирования сетевой архитектуры

В этой статье проектируется архитектура из пространственной и спектральной области. Среди них пространственная область — это знакомая идея агрегирования информации о соседях для непосредственной обработки локальных данных, в то время как спектральная область преобразует сигнал графа в спектральную область с помощью сверточной машины Фурье, отфильтровывает шумовые данные посредством фильтрации графа и затем преобразует его в сигнал рисунка.

В этой части автор представляет несколько классических моделей GNN, включая GCN, GraphSAGE и GAT, а также несколько менее простых моделей, включая HetGNN и HGNN. Среди них HetGNN — это пространственная область GNN в гетерогенном графе, которая классифицирует соседние узлы по типам, а затем объединяет их, в то время как HGNN — это спектральная область GNN в гиперграфе, и процесс ее распространения происходит от линий узлов к гиперребрам, а затем к гиперребрам; передается гиперребрами соседним узлам.

(Однако я думаю, что эта классификация здесь немного необоснованна, потому что GCN в обычном смысле действительно может быть получена с точки зрения спектральной области)

Поскольку я не знаком с архитектурой GNN на гетерогенных графах и гиперграфах, я не буду здесь подробно описывать ее. Также закопайте себе яму и систематически изучайте ее, как только разберетесь с этой частью.

Цели оптимизации модели

Задача обучения рекомендательной системы, по сути, представляет собой обучение представлению. Окончательное встраивание, полученное моделью, еще необходимо перенести на конкретные последующие задачи посредством обработки. В зависимости от задачи его можно разделить на задачи классификации, задачи прогнозирования и задачи регрессии, а в соответствии с различными объектами исследования его можно разделить на задачи узла, краевые задачи и задачи подграфа.

Возможности и проблемы применения GNN в рекомендательных системах

Почему системы рекомендаций на основе GNN успешны?

  • GNN в полной мере использует структурированные данные
  • Использование связности высокого порядка. Явные эффекты совместной фильтрации могут быть естественным образом созданы за счет использования информации высокого порядка.
  • Сигнал надзора: GNN может включить некоторую соответствующую информацию в процесс обучения. в то же время,GNN также содержит некоторую информацию для самостоятельного контроля (упомянутую в предыдущей статье).,Процесс агрегирования окрестностей на самом деле является самоконтролируемой целью.,Интуитивно,Вот как дизайн неявно позволяет соседним узлам изучать аналогичные представления узлов)

Проблемы применения GNN в рекомендательных системах

Первый – этап построения графа.

На этом этапе основной задачей является преобразование структурированных данных в данные графика, а также преобразование традиционных рекомендательных задач в данные графика.

При построении схемы необходимо учитывать следующие вопросы:

  • Что касается узлов, нужно ли мне различать разные типы узлов, например пользователь/элемент? Что делать, если входные объекты представляют собой непрерывные значения?
  • Для соединенных ребер,Каково определение края? Будет ли конструкция ребер делать ребра графа плотными или разреженными? Как слишком плотные, так и слишком тонкие края не годятся.

Во-вторых, это дизайн сети. На этом этапе необходимо тщательно продумать метод агрегирования информации, включая выбор путей агрегирования информации, выбор функций агрегирования и т. д. Кроме того, такую ​​информацию, как количество слоев и архитектура, также необходимо неоднократно корректировать и подтверждать.

Третий Цели оптимизации модели. Здесь вам нужно конвертировать традиционную Систему рекомендацийвloss Преобразование функции в потерю при обучении графика функция. Из-за разницы в структуре графов и количестве графов дизайн здесь тоже будет сильно отличаться. Кроме того, необходимо учитывать метод выборки структуры графа. Это также будет основной частью некоторых оптимизаций модели.

Четвертое — вычислительная эффективность. Сценарии применения рекомендательных систем очень практичны, а слишком сложные модели не имеют большой потребительской ценности. Поэтому необходимо учитывать эффективность расчета.

Обзор существующих методов исследования

В следующих трех таблицах показана классификация документов на разных стадиях рекомендаций, сценарии рекомендаций и классификация документов в соответствии с различными целями рекомендаций:

Начиная с разных этапов рекомендаций

Стадия согласования

Сосредоточьтесь на главном:

  • Эффективность модели имеет решающее значение. На этапе сопоставления вместо детальных функций в основном используются только грубые взаимодействия.
  • Как извлечь информацию о совместной фильтрации (CF) — большая проблема. Обычно модель на этом этапе выполняет дополнительные корректировки CF.

Основные направления дизайна:

Архитектура модели здесь представляет собой, по сути, двудольный граф «пользователь-элемент», а основные цели можно разделить на следующие два типа:

  • Повышение точности модели
  • Повышение эффективности модели

Некоторые методы выборки позволяют применять GNN к большим сетям, а некоторые из них удаляют нелинейные модули, что может повысить производительность некоторых наборов данных.

Связанные сведения о документе:

Этап рейтинга

Сосредоточьтесь на главном:

Как спроектировать разумную архитектуру, учитывающую взаимодействие между функциями?

Основные направления дизайна:

кодер+предиктор. Среди них часть кодера использует специальную структуру графа для достижения взаимодействия функций, тем самым получая высококачественное представление функций, в то время как часть прогнозирования изучает хороший метод интеграции функций для достижения взаимодействия;

В целом, эта часть предназначена в основном для получения хорошего представления функций, но производительность по-прежнему ограничена компонентом представления функций. Позже необходимо принять во внимание информацию о структуре графа более высокого порядка.

Связанные сведения о документе:

Этап ререйтинга

Сосредоточьтесь на главном:

  • Необходимо учитывать сходство между разными предметами、Дополнительность и другая интерактивная информация->может бытьGNN完成
  • 需要考虑不同usersразные предпочтения->Основные трудности

Основные направления дизайна: В этой части автор представляет только одну статью, в которой используются разнородные графы для интеграции графа взаимосвязей проекта и графика оценок пользователей и элементов, а затем распространяется информация. Однако в этой части еще слишком мало исследований по другим целям оптимизации.

Начиная с разных сценариев рекомендаций

Сценарий социальных рекомендаций

Сосредоточьтесь на главном:

  • Как включить социальные отношения в моделирование GNN?
  • Как совместить социальные связи с личными предпочтениями пользователей?

Основные направления дизайна:

Что касается вопроса 1, с точки зрения построения графа окажется, что на предпочтения пользователей будут влиять соседи более высокого порядка. Если мы примем во внимание это социальное влияние, мы сможем реализовать его многослойно в простом графе с помощью гиперграфа, а также напрямую моделировать социальные отношения высокого порядка; Для тех функций данных, которые являются более сложными в данных, множественная информация может быть интегрирована путем построения гетерогенных графиков, таких как добавление информации о времени, перспективной информации различных ролей и т. д. С точки зрения передачи информации,Здесь задействованы два основных механизма передачи информации::GCN&GAT。существоватьGCNугол,Вы можете изменить путь передачи информации или функцию агрегирования с точки зрения GAT;,Далее можно утверждать, что социальное влияние разных соседей различно.

Что касается вопроса 2, рассматриваемые документы можно разделить на две точки зрения. Одна заключается в изучении представлений пользователей из социальных сетей и графов пользовательских элементов соответственно, а затем интегрирует их в единое представление с помощью нескольких методов. Другая заключается в непосредственном агрегировании информации; двух графиков (например, с помощью GAT) для создания единого представления.

Контекст разработки:

Связанные сведения о документе:

Сценарий рекомендации последовательности

Сосредоточьтесь на главном:

  • Как получить как можно больше эффективной информации из информации о последовательности для прогнозирования следующей точки интереса? (Краткосрочные, долгосрочные, динамичные точки интереса)
  • Как извлечь информацию о последовательности поведения пользователя и построить структуру корреляционного графа?

Основные направления дизайна:

Преобразуйте последовательности поведения пользователей в графические представления и фиксируйте долгосрочные и краткосрочные предпочтения пользователей с помощью обучения графовым представлениям и технологии динамического объединения графов.

При моделировании последовательности, помимо учета долгосрочных интересов, также специально рассматривается моделирование краткосрочных интересов, отражаемое соседним поведением пользователей в последовательности.

Изучите многоперспективные представления и интегрируйте долгосрочные и краткосрочные представления интересов, чтобы получить более полное моделирование интересов пользователей.

С помощью таких методов, как обучение метрике и динамическое объединение графов, мы адаптивно изучаем веса важности ребер в структуре графа и сохраняем части, которые более важны для выражения интересов пользователя.

Оптимизированное графическое представление сериализуется и применяется для прогнозирования поведения на следующем этапе для обеспечения поддержки систем рекомендаций.

Контекст разработки:

Связанные сведения о документе:

Сценарий рекомендации сеанса

Сосредоточьтесь на главном:

в данных разговора,Вероятно, будет включать шум,нравиться:ipad->ipad->milk->airpods,Среди них молоко представляет собой шумовые данные, которые не позволяют давать рекомендации.

  • Как работать с элементами и переходами patternмоделировать?->GNN
  • Как активировать основные интересы пользователей из зашумленных данных.

Основные направления дизайна:

Здесь шаблон конверсии обычно фиксируется путем построения ориентированного графа. Однако длина каждого сеанса по рекомендации сеанса относительно коротка, поэтому график, который может быть построен за один сеанс, относительно невелик, а содержащаяся в нем информация относительно ограничена. . поэтому:

  1. Найдите связи из разных сеансов (объедините и постройте более крупные графики, создайте гиперграфы, используйте дополнительную информацию для построения KG, учитывайте информацию о времени)
  2. Добавить дополнительные ребра из графа сеанса (построить звездчатый граф, сложный гиперграф, глобальный граф, гетерогенный граф и т. д.)

Контекст разработки:

Связанные сведения о документе:

Рекомендуемые сценарии в комплекте

Сосредоточьтесь на главном:

  • Принятие решения пользователем зависит от включенной в комплект рекомендуемой коллекции предметов.
  • Взаимодействие пользователя с пакетом в целом редкое.
  • Как построить отношения более высокого порядка

Основные направления дизайна:

Одновременно изучайте информацию о пользовательском элементе и пользовательском пакете (с использованием совместного использования параметров или разработки функции потерь и т. д.). Поскольку данные пакета легко преобразуются в данные графа, вам нужно только беспокоиться о том, как улучшить представление графа.

Контекст разработки:

Связанные сведения о документе:

Сценарии междоменных рекомендаций

Сосредоточьтесь на главном:

  • Как построить график
  • Как реализовать архитектуру междоменной передачи информации

Основные направления дизайна:

Поскольку разные домены несут разные измерения информации, общий подход состоит в том, чтобы построить большой граф и усердно работать над его сложностью или построить граф для каждого домена, а затем интегрировать информацию в граф.

Следует отметить, что перекрестный домен имеет несколько определений. Пользователи в разных доменах могут повторяться в некоторых сценариях, но не в других.

Контекст разработки:

Связанные сведения о документе:

Сценарии рекомендаций с несколькими вариантами поведения

Сосредоточьтесь на главном:

  • Как смоделировать взаимосвязь между несколькими вариантами поведения и целевым поведением?
  • Как использовать поведение для представления проекта?

Основные направления дизайна:

В качестве дополнительной информации поведение может помочь системе рекомендаций лучше реагировать на намерения пользователя. Естественно, множественное поведение можно моделировать с помощью различных типов ребер, поэтому оно часто представляется гетерогенными графами.

Характеристика поведения в основном осуществляется со следующих двух сторон:

Смоделируйте влияние поведения (например, игнорируйте извлечение подграфов для разных типов поведения и моделируйте их отдельно, добавляйте информацию о времени и добавляйте механизмы внимания..) Учитывайте семантику самого поведения (например, моделирование непосредственно на гетерогенных графах)

основной Контекст разработки:

Связанные сведения о документе:

Начиная с разных целей рекомендаций

перспектива многообразия

Сосредоточьтесь на главном:

Что касается индивидуального разнообразия, традиционный процесс внедрения приблизит представление пользователя к элементам исторического взаимодействия, игнорируя при этом разнообразие рекомендуемых продуктов. поэтому:

  • Как бороться с сигналами недоминирующих субъектов?
  • Как сбалансировать точность и разнообразие?

Основными проблемами системного разнообразия являются:

  • Как найти подходящие проекты среди проектов с длинным хвостом? (Этот тип проекта обычно требует меньше обучения)

Основные направления дизайна:

С точки зрения индивидуального разнообразия:

Для сигналов, не являющихся доминирующими, автор составил два метода: - Байесовский граф CF (BGCF): копирование узлов от соседей более высокого порядка, чтобы элементы с высоким сходством, но разными темами были напрямую связаны с пользователем. - Свертка диверсифицированного графа (DGCN): стратегия выборки обрабатывается для уменьшения веса тем, на которые приходится слишком высокая доля.

С точки зрения баланса точности и разнообразия, BGDF меняет порядок главных элементов, в то время как DGCN использует контрастное обучение при изучении встраивания, делая предпочтения и категории независимыми.

Начиная с системного разнообразия:

Автор предлагает метод увеличения связи между частыми элементами и элементами с длинным хвостом путем построения четырех типов ребер, тем самым обогащая обучение представлению элементов с длинным хвостом.

особенный,部分研究旨существовать同时提高个体&систематический Разнообразие。

Связанные сведения о документе:

Интерпретируемость

В исследовании интерпретируемости первоначально был представлен узел свойств элемента, а последующие исследования в основном основаны на KG, например, для объяснения используется последний путь связи между пользователями и элементами в KG. Автор также представляет некоторые комплексные рекомендуемые решения. Однако автор считает, что текущие исследования слишком много внимания уделяют поверхностным взаимодействиям и игнорируют причинно-следственные связи выбора пользователей. Некоторые методы причинного вывода могут быть внедрены в будущем.

Контекст разработки: (Две схемы жилкования в начале не соответствуют предыдущим указаниям, поэтому обратите внимание...)

Связанные сведения о документе:

справедливость

Сосредоточьтесь на главном:

  • Обработка графических данных может привести к усилению некоторой дискриминации или предубеждений.

Основные направления дизайна:

  • Найдите более справедливую стратегию внедрения (например, изменение node2vec на fairwalk или контрастное обучение для снижения чувствительности чувствительных атрибутов узлов).
  • Найдите более справедливый классификатор узлов (не отвлекайтесь на ненужную информацию при классификации)

Контекст разработки:

Связанные сведения о документе:

boy illustration
Углубленный анализ переполнения памяти CUDA: OutOfMemoryError: CUDA не хватает памяти. Попыталась выделить 3,21 Ги Б (GPU 0; всего 8,00 Ги Б).
boy illustration
[Решено] ошибка установки conda. Среда решения: не удалось выполнить первоначальное зависание. Повторная попытка с помощью файла (графическое руководство).
boy illustration
Прочитайте нейросетевую модель Трансформера в одной статье
boy illustration
.ART Теплые зимние предложения уже открыты
boy illustration
Сравнительная таблица описания кодов ошибок Amap
boy illustration
Уведомление о последних правилах Points Mall в декабре 2022 года.
boy illustration
Даже новички могут быстро приступить к работе с легким сервером приложений.
boy illustration
Взгляд на RSAC 2024|Защита конфиденциальности в эпоху больших моделей
boy illustration
Вы используете ИИ каждый день и до сих пор не знаете, как ИИ дает обратную связь? Одна статья для понимания реализации в коде Python общих функций потерь генеративных моделей + анализ принципов расчета.
boy illustration
Используйте (внутренний) почтовый ящик для образовательных учреждений, чтобы использовать Microsoft Family Bucket (1T дискового пространства на одном диске и версию Office 365 для образовательных учреждений)
boy illustration
Руководство по началу работы с оперативным проектом (7) Практическое сочетание оперативного письма — оперативного письма на основе интеллектуальной системы вопросов и ответов службы поддержки клиентов
boy illustration
[docker] Версия сервера «Чтение 3» — создайте свою собственную программу чтения веб-текста
boy illustration
Обзор Cloud-init и этапы создания в рамках PVE
boy illustration
Корпоративные пользователи используют пакет регистрационных ресурсов для регистрации ICP для веб-сайта и активации оплаты WeChat H5 (с кодом платежного узла версии API V3)
boy illustration
Подробное объяснение таких показателей производительности с высоким уровнем параллелизма, как QPS, TPS, RT и пропускная способность.
boy illustration
Удачи в конкурсе Python Essay Challenge, станьте первым, кто испытает новую функцию сообщества [Запускать блоки кода онлайн] и выиграйте множество изысканных подарков!
boy illustration
[Техническая посадка травы] Кровавая рвота и отделка позволяют вам необычным образом ощипывать гусиные перья! Не распространяйте информацию! ! !
boy illustration
[Официальное ограниченное по времени мероприятие] Сейчас ноябрь, напишите и получите приз
boy illustration
Прочтите это в одной статье: Учебник для няни по созданию сервера Huanshou Parlu на базе CVM-сервера.
boy illustration
Cloud Native | Что такое CRD (настраиваемые определения ресурсов) в K8s?
boy illustration
Как использовать Cloudflare CDN для настройки узла (CF самостоятельно выбирает IP) Гонконг, Китай/Азия узел/сводка и рекомендации внутреннего высокоскоростного IP-сегмента
boy illustration
Дополнительные правила вознаграждения амбассадоров акции в марте 2023 г.
boy illustration
Можно ли открыть частный сервер Phantom Beast Palu одним щелчком мыши? Супер простой урок для начинающих! (Прилагается метод обновления сервера)
boy illustration
[Играйте с Phantom Beast Palu] Обновите игровой сервер Phantom Beast Pallu одним щелчком мыши
boy illustration
Maotouhu делится: последний доступный внутри страны адрес склада исходного образа Docker 2024 года (обновлено 1 декабря)
boy illustration
Кодирование Base64 в MultipartFile
boy illustration
5 точек расширения SpringBoot, супер практично!
boy illustration
Глубокое понимание сопоставления индексов Elasticsearch.
boy illustration
15 рекомендуемых платформ разработки с нулевым кодом корпоративного уровня. Всегда найдется та, которая вам понравится.
boy illustration
Аннотация EasyExcel позволяет экспортировать с сохранением двух десятичных знаков.