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：有效降低信息過載與數(shù)據(jù)噪聲影響

AIGC動態(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
文章來源：新智元
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

新智元報道編輯：LRST 好困
【新智元導(dǎo)讀】SelfGNN框架結(jié)合了圖神經(jīng)網(wǎng)絡(luò)和個性化自增強學(xué)習(xí)，能夠捕捉用戶行為的多時間尺度模式，降低噪聲影響，提升推薦系統(tǒng)魯棒性。順序推薦通過模擬用戶的時間和順序交互模式有效地解決了信息過載問題，為了克服監(jiān)督信號的局限性，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期建模個別交互序列，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，這可能源于臨時意圖或誤點擊，這種噪聲對圖模型和序列模型的準(zhǔn)確性產(chǎn)生負面影響，進一步復(fù)雜化了建模過程。
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）對時

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：有效降低信息過載與數(shù)據(jù)噪聲影響

聯(lián)系作者

文章來源：新智元
作者微信：AI_era
作者簡介：智能+中國主平臺，致力于推動中國從互聯(lián)網(wǎng)+邁向智能+新紀(jì)元。重點關(guān)注人工智能、機器人等前沿領(lǐng)域發(fā)展，關(guān)注人機融合、人工智能和機器人對人類社會與文明進化的影響，領(lǐng)航中國新智能時代。