雨:重建了意识到的上下文增强,用于基于会话的建议的图形表示
Xinyi Zeng1, Shuchao Li2, Zequn Zhang2
1Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, 100190, China; Key Laboratory of Network Information System Technology (NIST), Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, 100190, China; University of Chinese Academy of Sciences, Beijing, 100190, China; School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing, 100190, China.
本研究介绍了RAIN,这是一种基于会话的建议的新方法,有效地否定了交互图和用户会话. 通过增强会话表示和项目嵌入,RAIN显著提高了推准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 基于会话的推系统从短期的互动中预测用户的兴趣.
- 传统方法与杂的数据 (例如,意外点击) 斗争,导致次优会话表示.
- 现有的方法主要侧重于对项目嵌入的图形表示,忽视会话级噪声.
研究的目的:
- 提出RAIN (Reconstructed-Aware In-context eNhancement with Graph Denoising),这是一个基于会话的建议的新型模型.
- 为了解决由噪音交互数据引起的会话表示学习的局限性.
- 通过删除交互图和用户会话来提高推准确性.
主要方法:
- 雷恩对图形和会话数据都采用了一步一步的无效化过程.
- 自主监督的信号通过掩盖和重建来提高指导边的清晰度.
- 一个边缘指示器被训练来识别和消除杂的边缘,改善图形结构.
- 重建意识的上下文增强是使用自我注意机制和训练边缘指示器集成的.
主要成果:
- 在四个基准数据集上,RAIN在最先进的方法上取得了显著的改进.
- 在Hit@20中,业绩增长达到了7.05%,在MRR@20中达到1.53%.
- 实验分析验证了该模型在基于会话的推中的合理性和优越性.
结论:
- 拟议的RAIN模型有效地处理基于会话的建议中的噪音数据.
- RAIN 增强了对象嵌入和会话表示,以提高准确性.
- 与现有技术相比,该方法为基于会话的建议提供了一种优越的方法.
相关概念视频
Precipitation Processes
Precipitation and Co-precipitation
Responses to Drought and Flooding
Types of Coprecipitation
Sometimes, ions in a crystal lattice can undergo isomorphous replacement by inclusions of similar charge and size. For...
Randomized Experiments
Simple randomization
Simple...
End Point Prediction: Gran Plot
For potentiometric titration, the Gran plot is created by plotting...


