AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：圖神經(jīng)網(wǎng)絡(luò)加持，突破傳統(tǒng)推薦系統(tǒng)局限！北大港大聯(lián)合提出SelfGNN：有效降低信息過(guò)載與數(shù)據(jù)噪聲影響
關(guān)鍵字：噪聲,用戶,序列,行為,商品
文章來(lái)源：新智元
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

新智元報(bào)道編輯：LRST 好困
【新智元導(dǎo)讀】SelfGNN框架結(jié)合了圖神經(jīng)網(wǎng)絡(luò)和個(gè)性化自增強(qiáng)學(xué)習(xí)，能夠捕捉用戶行為的多時(shí)間尺度模式，降低噪聲影響，提升推薦系統(tǒng)魯棒性。順序推薦通過(guò)模擬用戶的時(shí)間和順序交互模式有效地解決了信息過(guò)載問(wèn)題，為了克服監(jiān)督信號(hào)的局限性，一些方法在推薦系統(tǒng)中采用了自監(jiān)督學(xué)習(xí)技術(shù)。
然而，仍有兩個(gè)關(guān)鍵挑戰(zhàn)尚未解決。
首先，現(xiàn)有的順序模型主要集中于長(zhǎng)期建模個(gè)別交互序列，忽視了不同用戶行為之間寶貴的短期合作關(guān)系。
其次，現(xiàn)實(shí)世界的數(shù)據(jù)通常包含噪聲，特別是在用戶的短期行為中，這可能源于臨時(shí)意圖或誤點(diǎn)擊，這種噪聲對(duì)圖模型和序列模型的準(zhǔn)確性產(chǎn)生負(fù)面影響，進(jìn)一步復(fù)雜化了建模過(guò)程。
為了克服上述難題，北京大學(xué)、香港大學(xué)的研究人員提出了一種名為 Self-Supervised Graph Neural Network（SelfGNN）的全新框架，用于序列推薦。論文鏈接：https://arxiv.org/abs/2405.20878
代碼鏈接：https://github.com/HKUDS/SelfGNN
SelfGNN能夠捕捉多粒度的用戶行為模式：基于圖神經(jīng)網(wǎng)絡(luò)（GNN）對(duì)時(shí)

原文鏈接：圖神經(jīng)網(wǎng)絡(luò)加持，突破傳統(tǒng)推薦系統(tǒng)局限！北大港大聯(lián)合提出SelfGNN：有效降低信息過(guò)載與數(shù)據(jù)噪聲影響

聯(lián)系作者

文章來(lái)源：新智元
作者微信：AI_era
作者簡(jiǎn)介：智能+中國(guó)主平臺(tái)，致力于推動(dòng)中國(guó)從互聯(lián)網(wǎng)+邁向智能+新紀(jì)元。重點(diǎn)關(guān)注人工智能、機(jī)器人等前沿領(lǐng)域發(fā)展，關(guān)注人機(jī)融合、人工智能和機(jī)器人對(duì)人類社會(huì)與文明進(jìn)化的影響，領(lǐng)航中國(guó)新智能時(shí)代。