最新推荐系统论文速递

2020 年 3 月 19 日 机器学习与推荐算法

检索到了两篇关于推荐系统的论文,一篇是关于在知识图上改进负采样策略的,另一篇是在图上进行对抗学习的综述。




Reinforced Negative Sampling over Knowledge Graph for Recommendation



关键字:强化学习+知识图+矩阵分解

概述:正确处理缺失数据是推荐场景中的一项基本挑战。目前的大多数工作都是从未观察到的数据中进行负采样,从而为推荐模型的训练提供负样本。但是,现有的静态或自适应负采样策略不足以产生高质量的负采样,也不利于模型训练和反映用户的实际需求。

在该项工作中,其假设项目知识图(KG)提供了项目与KG实体之间的丰富关系,可能有助于推断富含信息量的和真实的负样本。为此,其开发了一个新的负抽样模型,即“知识图策略网络(KGPolicy)”,该模型可作为强化学习代理来探索高质量的负样本。具体而言,通过执行设计的探索操作,它可以从目标正互动中导航,自适应地接收具有知识意识的负信号,并最终产生潜在的负样本来训练推荐系统。

开源代码:

https://github.com/xiangwang1223/kgpolicy





A Survey of Adversarial Learning on Graph



关键字:对抗学习+图表示+综述
概述:图上的深度学习模型在各种图分析任务(例如节点分类,链接预测和图聚类)中均取得了卓越的性能。但是,它们暴露了对设计良好的输入(即对抗性样本)的不确定性和不可靠性。因此,针对不同图分析任务中的攻击和防御都出现了各种研究,从而导致了图对抗学习中的军备竞赛。例如,攻击者具有中毒和逃避攻击,防御小组相应地具有基于预处理和对抗的方法。
尽管这些工作很多,但仍然缺乏统一的问题定义和全面的审查。为了弥合这一差距,该文系统地研究和总结了有关图对抗学习任务的现有工作。具体来说,其调查并统一现有工作在图分析任务中的攻击和防御,并同时给出正确的定义和分类法。此外,还强调了相关评估指标的重要性,并对其进行了全面的调查和总结。 
开源代码:

https://github.com/gitgiter/GraphAdversarial-Learning


推荐阅读

[0].   推荐系统干货总结

[1]. 推荐系统之矩阵分解家族

[2]. 更新!带你认识推荐系统全貌的论文清单

[3]. 当推荐系统邂逅深度学习

[4].   推荐系统领域中那些巧妙运用的idea



喜欢的话点个在看吧👇

登录查看更多
2

相关内容

自然语言处理领域中,判断两个单词是不是一对上下文词(context)与目标词(target),如果是一对,则是正样本,如果不是一对,则是负样本。采样得到一个上下文词和一个目标词,生成一个正样本(positive example),生成一个负样本(negative example),则是用与正样本相同的上下文词,再在字典中随机选择一个单词,这就是负采样(negative sampling)。
近期必读的6篇顶会WWW2020【推荐系统】相关论文-Part3
专知会员服务
57+阅读 · 2020年4月14日
近期必读的6篇AI顶会WWW2020【推荐系统】相关论文
专知会员服务
56+阅读 · 2020年2月25日
专知会员服务
87+阅读 · 2020年1月20日
南洋理工大学,深度学习推荐系统综述
专知会员服务
174+阅读 · 2019年10月14日
推荐系统阅读清单:最近我们在读哪些论文?
PaperWeekly
24+阅读 · 2019年5月15日
近期必读的12篇「推荐系统」相关论文
PaperWeekly
33+阅读 · 2019年3月7日
推荐系统
炼数成金订阅号
28+阅读 · 2019年1月17日
深度学习在推荐系统中的应用综述(最全)
七月在线实验室
17+阅读 · 2018年5月5日
Adversarial Mutual Information for Text Generation
Arxiv
13+阅读 · 2020年6月30日
Arxiv
20+阅读 · 2019年11月23日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
VIP会员
Top
微信扫码咨询专知VIP会员