RSPapers | 基于自监督学习推荐系统论文合集
近年来自监督学习技术,由于不需要大量的人工标注数据,而是从数据本身的任务出发学习特征表示,已在计算机视觉、自然语言处理等领域得到了越来越多的关注。推荐系统由于存在大量的未标注数据,自然而然的可以将自监督学习与其进行结合,因此本文对其进行了简单的总结,列举出10篇自监督学习技术在推荐上的应用。下文提到的文章均可在Github上的RSPapers项目上找到,或者向公众号后台回复【SSL】获取10篇打包好的论文合集。
本文考虑了社交网络中同质性的理论,因此对于同一个用户来说存在二部图中的用户和社交网络中的用户,然后将社交网络进行数据增强,并且与二部图进行对齐,随后三个Encoder生成的三个用户特征表示分别进行推荐任务和对比学习任务,以此来提高推荐系统的性能。
本文考虑了异质用户信息来进行个性化兴趣建模,因此提出了一种结合异质用户属性的预训练增强的个性化推荐方法。具体的,该方法利用用户属性信息以及结构化社交网络信息来构建对比学习任务,随后提出两种基于用户的预训练方法。
4. Self-supervised Graph Learning for Recommendation. SIGIR 2021.
5. Self-supervised Learning for Deep Models in Recommendations. arXiv preprint arXiv:2007.12865 (2020).
本文基于超图可以建模复杂的社交网络关系,而提出基于超图的自监督卷积网络用在基于会话的推荐任务上。
9. Self-supervised learning on graphs: Deep insights and new direction. arXiv preprint arXiv:2006.10141 (2020).
10. Self-supervised learning: Generative or contrastive. arXiv preprint arXiv:2006.08218 1.2 (2020).