ترجمه فارسی مقاله اغتشاشگرهای متخاصم دوگانه نماهای غنی برای توصیه ایجاد می کنند

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Dual Adversarial Perturbators Generate rich Views for Recommendation
عنوان مقاله به فارسی اغتشاشگرهای متخاصم دوگانه نماهای غنی برای توصیه ایجاد می کنند
نویسندگان Lijun Zhang, Yuan Yao, Haibo Ye
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Information Retrieval,Machine Learning,بازیابی اطلاعات , یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced September 2024. , Comments: 16 pages,6 figures and 5 tables
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 16 صفحه ، 6 شکل و 5 میز
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Graph contrastive learning (GCL) has been extensively studied and leveraged as a potent tool in recommender systems. Most existing GCL-based recommenders generate contrastive views by altering the graph structure or introducing perturbations to embedding. While these methods effectively enhance learning from sparse data, they risk performance degradation or even training collapse when the differences between contrastive views become too pronounced. To mitigate this issue, we employ curriculum learning to incrementally increase the disparity between contrastive views, enabling the model to gain from more challenging scenarios. In this paper, we propose a dual-adversarial graph learning approach, AvoGCL, which emulates curriculum learning by progressively applying adversarial training to graph structures and embedding perturbations. Specifically, AvoGCL construct contrastive views by reducing graph redundancy and generating adversarial perturbations in the embedding space, and achieve better results by gradually increasing the difficulty of contrastive views. Extensive experiments on three real-world datasets demonstrate that AvoGCL significantly outperforms the state-of-the-art competitors.

چکیده به فارسی (ترجمه ماشینی)

یادگیری متضاد نمودار (GCL) به عنوان ابزاری قدرتمند در سیستم های پیشنهادی مورد مطالعه قرار گرفته و از آن استفاده می شود.بیشتر توصیه های موجود مبتنی بر GCL با تغییر ساختار نمودار یا معرفی آشفتگی ها برای تعبیه ، نماهای متضاد ایجاد می کنند.در حالی که این روشها به طور موثری یادگیری از داده های پراکنده را تقویت می کنند ، آنها وقتی تفاوت بین دیدگاههای متضاد بیش از حد برجسته می شود ، باعث تخریب عملکرد یا حتی فروپاشی آموزش می شوند.برای کاهش این مسئله ، ما از یادگیری برنامه درسی استفاده می کنیم تا به طور تدریجی اختلاف بین دیدگاه های متضاد را افزایش دهد و این مدل را قادر می سازد تا از سناریوهای چالش برانگیزتر بهره مند شود.در این مقاله ، ما یک رویکرد یادگیری نمودار دوتایی ، AVOGCL را پیشنهاد می کنیم ، که یادگیری برنامه درسی را با استفاده به تدریج از آموزش های مخالف برای ساختار نمودار و تعبیه اختلالات تقلید می کند.به طور خاص ، AVOGCL با کاهش افزونگی نمودار و ایجاد آشفتگی های متضاد در فضای تعبیه ، منظره های متضاد را ایجاد می کند و با افزایش تدریجی دشواری نمای متضاد به نتایج بهتری می رسد.آزمایش های گسترده ای در سه مجموعه داده در دنیای واقعی نشان می دهد که AVOGCL به طور قابل توجهی از رقبای پیشرفته برتر است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.