GCNE: Graph Convolution Networks with Explicitly Influence for Recommendation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Graph Convolution Network (GCN) has become increasingly important for collaborative filtering with the modeling of user-item interaction graphs through embedding propagation.Existing work that can adapts GCN to well capture accurate user preference, which highly rely on learned representations with sufficient and high-quality training data.However, the neighborhood aggregation scheme in GCN enlarges the impact of interactions on representation learning, making the learning more vulnerable to interaction noises, since the user-item interaction graph is also modeled by same neural operations that may be unnecessary.In this paper, we propose to integrate the explicitly feedback (i.e., user-item ratings) representation of user-item interactions into the embedding process to enhance recommendation performance.We develop a novel Graph Convolution Network framework with Explicitly feedback (GCNE), which augments user-item representations by explicitly exploiting the user-item ratings feedback among entities in the predictive model, which better alleviates the interaction noises problem and data sparsity.Specifically, we introduce a adjacency matrix by regarding user behaviors and item ratings feedback as two bipartite graphs, such module could explicitly explore the propagation process of user interest and feedback influence, so as to enhance the robustness of recommendation systems.Extensive experiments demonstrate that GCNE can significantly improve the performance over various state-of-the-art baselines.Further analysis verifies the superior representation ability of our GCNE recommendation framework in alleviating the data sparsity and noise issues.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle