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
https://github.com/gitgiter/GraphAdversarial-Learning
推荐阅读
喜欢的话点个在看吧👇