基于跨视图自监督学习的过渡超图卷积群体识别
信息检索
2023-08-21 v1 社会与信息网络
摘要
随着社交媒体的普及，越来越多的用户在日常生活中搜索并加入群体活动。这催生了对群体识别（GI）任务（即向用户推荐群体）的研究需求。该任务的主要挑战在于如何基于用户以往的群体参与情况以及用户对条目的兴趣来预测用户对群体的偏好。尽管图神经网络（GNN）近年在基于图的推荐系统中实现了多类型对象的嵌入，但它们未能全面解决这一GI问题。本文提出一种名为基于图自监督学习的过渡超图卷积群体识别（GTGS）的新框架。我们设计了一种新颖的过渡超图卷积层，在寻求用户群体偏好时将其对条目的偏好作为先验知识加以利用。为构建面向GI任务的全面用户/群体表示，我们设计了跨视图自监督学习以鼓励每个用户的条目偏好与群体偏好之间的内在一致性，并设计基于群体的正则化以增强群体嵌入之间的区分度。在三个基准数据集上的实验结果验证了GTGS的优越性。我们还进行了额外的详细研究以证明所提框架的有效性。
引用
@article{arxiv.2308.08620,
title = {Group Identification via Transitional Hypergraph Convolution with Cross-view Self-supervised Learning},
author = {Mingdai Yang and Zhiwei Liu and Liangwei Yang and Xiaolong Liu and Chen Wang and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2308.08620},
year = {2023}
}
备注
11 pages. Accepted by CIKM'23