现有的多视图属性图聚类方法通常是在融合多个视图的统一表示中学习一致信息与互补信息,然而先融合再学习的方法不仅会损失原始各个视图的特定信息,而且统一表示难以兼顾一致性与互补性.为了保留各个视图的原始信息,采用先学习再融合的...现有的多视图属性图聚类方法通常是在融合多个视图的统一表示中学习一致信息与互补信息,然而先融合再学习的方法不仅会损失原始各个视图的特定信息,而且统一表示难以兼顾一致性与互补性.为了保留各个视图的原始信息,采用先学习再融合的方式,先分别学习每个视图的共享表示与特定表示再进行融合,更细粒度地学习多视图的一致信息和互补信息,构建一种基于共享和特定表示的多视图属性图聚类模型(multi-view attribute graph clustering based on shared and specific representation,MSAGC).具体来说,首先通过多视图编码器获得每个视图的初级表示,进而获得每个视图的共享信息和特定信息;然后对齐视图共享信息来学习多视图的一致信息,联合视图特定信息来利用多视图的互补信息,通过差异性约束来处理冗余信息;之后训练多视图解码器重构图的拓扑结构和属性特征矩阵;最后,附加自监督聚类模块使得图表示的学习和聚类任务趋向一致.MSAGC的有效性在真实的多视图属性图数据集上得到了很好地验证.展开更多
目前的异构图对比学习通常依赖于单一的方法来构建辅助视图以进行数据增强。考虑到异构建模下用户和商品间交互的复杂性,单一构造方法下的辅助视图往往难以有效捕捉异构数据中丰富的语义信息。为此,提出了融合元知识和奇异值分解(singul...目前的异构图对比学习通常依赖于单一的方法来构建辅助视图以进行数据增强。考虑到异构建模下用户和商品间交互的复杂性,单一构造方法下的辅助视图往往难以有效捕捉异构数据中丰富的语义信息。为此,提出了融合元知识和奇异值分解(singular value decomposition,SVD)的多视图对比学习推荐模型(multi-view contrastive learning,MVCL)。引入了个性化数据增强模块,并采用不同方法从多角度构建了辅助视图。其中辅助视图的构建方法具体包括两点,分别是:针对用户商品间的内在联系,通过元知识融合来个性化映射构造辅助视图;针对用户商品间交互,通过近似奇异值分解的方法构建辅助视图,实现自适应对比增强。为有效解决传统对比损失抗噪声能力较弱的问题,使用了鲁棒性更强的增强型对比损失函数作为输出,进一步提升了模型的推荐性能。在此基础上,为进一步验证所提出模型的有效性,在CiaoDVD、Epinions、Yelp三个公开数据集上进行了实验,实验结果表明提出的新模型在不同场景下均呈现了较好的性能,有效验证了该模型在解决异构数据稀疏性和利用丰富语义信息方面的可行性。展开更多
文摘现有的多视图属性图聚类方法通常是在融合多个视图的统一表示中学习一致信息与互补信息,然而先融合再学习的方法不仅会损失原始各个视图的特定信息,而且统一表示难以兼顾一致性与互补性.为了保留各个视图的原始信息,采用先学习再融合的方式,先分别学习每个视图的共享表示与特定表示再进行融合,更细粒度地学习多视图的一致信息和互补信息,构建一种基于共享和特定表示的多视图属性图聚类模型(multi-view attribute graph clustering based on shared and specific representation,MSAGC).具体来说,首先通过多视图编码器获得每个视图的初级表示,进而获得每个视图的共享信息和特定信息;然后对齐视图共享信息来学习多视图的一致信息,联合视图特定信息来利用多视图的互补信息,通过差异性约束来处理冗余信息;之后训练多视图解码器重构图的拓扑结构和属性特征矩阵;最后,附加自监督聚类模块使得图表示的学习和聚类任务趋向一致.MSAGC的有效性在真实的多视图属性图数据集上得到了很好地验证.
文摘目前的异构图对比学习通常依赖于单一的方法来构建辅助视图以进行数据增强。考虑到异构建模下用户和商品间交互的复杂性,单一构造方法下的辅助视图往往难以有效捕捉异构数据中丰富的语义信息。为此,提出了融合元知识和奇异值分解(singular value decomposition,SVD)的多视图对比学习推荐模型(multi-view contrastive learning,MVCL)。引入了个性化数据增强模块,并采用不同方法从多角度构建了辅助视图。其中辅助视图的构建方法具体包括两点,分别是:针对用户商品间的内在联系,通过元知识融合来个性化映射构造辅助视图;针对用户商品间交互,通过近似奇异值分解的方法构建辅助视图,实现自适应对比增强。为有效解决传统对比损失抗噪声能力较弱的问题,使用了鲁棒性更强的增强型对比损失函数作为输出,进一步提升了模型的推荐性能。在此基础上,为进一步验证所提出模型的有效性,在CiaoDVD、Epinions、Yelp三个公开数据集上进行了实验,实验结果表明提出的新模型在不同场景下均呈现了较好的性能,有效验证了该模型在解决异构数据稀疏性和利用丰富语义信息方面的可行性。
