久久精品天堂,人妻丝袜九九精品,日日日操av

圖數(shù)據(jù)挖掘與智能教育研究組 (GraphAI4IE)

更多動態(tài)

2026-06-05

文章標(biāo)題：異配性自適應(yīng)感知增強的超圖神經(jīng)網(wǎng)絡(luò)
錄用期刊：計算機研究與發(fā)展（計算領(lǐng)域高質(zhì)量期刊分級目錄T1類）
文章摘要：由于同一超邊連接的節(jié)點更容易具有不同類別，超圖常常表現(xiàn)出明顯的異配性.這使得傳統(tǒng)基于同配性假設(shè)的超圖神經(jīng)網(wǎng)絡(luò)難以有效聚合鄰域信息，也難以捕獲長距離的相似性依賴關(guān)系，導(dǎo)致次優(yōu)的超圖表示學(xué)習(xí)性能.針對該問題，提出一種異配性自適應(yīng)感知增強的超圖神經(jīng)網(wǎng)絡(luò)HHNN（Heterophily Hypergraph Neural Networks），其采用Transformer和圖卷積網(wǎng)絡(luò)GCN（Graph convolutional networks）并行雙分支結(jié)構(gòu).Transformer分支引入競爭自適應(yīng)位置編碼（Competitive Adaptive Positional Encoding，CAPE）模塊，可以動態(tài)學(xué)習(xí)節(jié)點間語義位置偏差，以捕獲遠(yuǎn)距離但語義相關(guān)的節(jié)點特征信息.GCN分支則通過異配感知特征聚合（Heterophily-aware Feature Aggregation，HFA）模塊顯式建模節(jié)點與超邊之間的高階結(jié)構(gòu)相關(guān)性，并依據(jù)節(jié)點特征與超邊異配強度實現(xiàn)差異化的局部鄰域特征聚合.在真實超圖和合成超圖數(shù)據(jù)集進行大量實驗，結(jié)果表明HHNN在節(jié)點分類準(zhǔn)確性、表征魯棒性及運行效率方面均優(yōu)于現(xiàn)有代表性方法.

HHNN方法框架

文章標(biāo)題：Enhancing Social Recommendation via Self-supervised Social Relations Refinement

錄用期刊：Knowledge and Information Systems （CCF B）

文章摘要：社會化推薦旨在整合社交關(guān)系和用戶-物品交互信息以提升推薦性能，在學(xué)術(shù)界和工業(yè)界受到了越來越多的關(guān)注。近期，基于圖神經(jīng)網(wǎng)絡(luò)（GNNs）的社會化推薦方法取得了顯著成效。然而，其中大多數(shù)方法往往忽略了與社交關(guān)系相關(guān)的兩個關(guān)鍵問題。首先，社交關(guān)系中往往包含大量噪聲，即有朋友關(guān)系的用戶可能并不一定具有相似的偏好。其次，社交關(guān)系往往非常稀疏，即大多數(shù)用戶只有少數(shù)幾個朋友。這兩個問題阻礙了GNNs獲取準(zhǔn)確且充分的社會監(jiān)督信號，從而導(dǎo)致性能不佳。鑒于此，我們提出了一種用于社交推薦的自監(jiān)督社交關(guān)系細(xì)化（S³R²）方法。具體而言，該方法設(shè)計了一個自適應(yīng)去噪網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠在協(xié)作信號的監(jiān)督下自動調(diào)整關(guān)系權(quán)重，并突出偏好相關(guān)的社交關(guān)系。為了緩解稀疏性問題，S³R²構(gòu)建了噪聲視圖和超圖視圖以增加更多的輔助自監(jiān)督信號，同時利用多視圖對比學(xué)習(xí)框架來全面訓(xùn)練推薦模型。在三個基準(zhǔn)數(shù)據(jù)集上進行的大量實驗證明了S³R²的優(yōu)越性。

S³R²方法框架

登錄用戶可以查看和發(fā)表評論，請前往登錄或注冊。

麻豆精品无码av,欧美1区2区,久久中文字幕乱码人妻,亚洲欧美另类少妇精品,在线看黄射,69pao高清,九九九久久久国产精品,子操大逼1234区,九九爱99热精品