اکسپرس 24
ترجمه فارسی مقاله یادگیری مقابله‌ای گراف متقارن در مقابل نماهای نویزی برای توصیه

ترجمه فارسی مقاله یادگیری مقابله‌ای گراف متقارن در مقابل نماهای نویزی برای توصیه

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 Symmetric Graph Contrastive Learning against Noisy Views for Recommendation
عنوان مقاله به فارسی یادگیری مقابله‌ای گراف متقارن در مقابل نماهای نویزی برای توصیه
نویسندگان Chu Zhao, Enneng Yang, Yuliang Liang, Jianzhe Zhao, Guibing Guo, Xingwei Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Information Retrieval,یادگیری ماشین , هوش مصنوعی , بازیابی اطلاعات ,
توضیحات Submitted 3 August, 2024; originally announced August 2024. , Comments: 24 pages, submitted to TOIS
توضیحات به فارسی ارسال شده در 3 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 24 صفحه ، ارسال شده به TOIS

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 960,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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) leverages data augmentation techniques to produce contrasting views, enhancing the accuracy of recommendation systems through learning the consistency between contrastive views. However, existing augmentation methods, such as directly perturbing interaction graph (e.g., node/edge dropout), may interfere with the original connections and generate poor contrasting views, resulting in sub-optimal performance. In this paper, we define the views that share only a small amount of information with the original graph due to poor data augmentation as noisy views (i.e., the last 20% of the views with a cosine similarity value less than 0.1 to the original view). We demonstrate through detailed experiments that noisy views will significantly degrade recommendation performance. Further, we propose a model-agnostic Symmetric Graph Contrastive Learning (SGCL) method with theoretical guarantees to address this issue. Specifically, we introduce symmetry theory into graph contrastive learning, based on which we propose a symmetric form and contrast loss resistant to noisy interference. We provide theoretical proof that our proposed SGCL method has a high tolerance to noisy views. Further demonstration is given by conducting extensive experiments on three real-world datasets. The experimental results demonstrate that our approach substantially increases recommendation accuracy, with relative improvements reaching as high as 12.25% over nine other competing models. These results highlight the efficacy of our method.

چکیده به فارسی (ترجمه ماشینی)

یادگیری متضاد نمودار (GCL) تکنیک های تقویت داده ها را برای تولید دیدگاه های متضاد ، افزایش می دهد و باعث افزایش دقت سیستم های توصیه از طریق یادگیری سازگاری بین نماهای متضاد می شود.با این حال ، روشهای تقویت موجود ، مانند نمودار تعامل مستقیم اختلال (به عنوان مثال ، ترک گره/لبه) ، ممکن است در اتصالات اصلی تداخل داشته و نماهای متضاد ضعیف ایجاد کند و در نتیجه عملکرد زیر بهینه باشد.در این مقاله ، ما دیدگاه هایی را تعریف می کنیم که فقط مقدار کمی از اطلاعات را با نمودار اصلی به دلیل افزایش داده های ضعیف به عنوان نمایش های پر سر و صدا به اشتراک می گذارند (یعنی 20 ٪ آخر نماها با یک مقدار شباهت کسین کمتر از 0.1 به نمای اصلی).ما از طریق آزمایش های دقیق نشان می دهیم که دیدگاه های پر سر و صدا عملکرد توصیه را به میزان قابل توجهی کاهش می دهد.علاوه بر این ، ما یک روش یادگیری متضاد متقارن مدل-آگنوستیک (SGCL) با ضمانت های نظری را برای پرداختن به این موضوع پیشنهاد می کنیم.به طور خاص ، ما تئوری تقارن را به یادگیری متضاد نمودار معرفی می کنیم ، که بر اساس آن یک فرم متقارن و از بین رفتن کنتراست در برابر تداخل پر سر و صدا پیشنهاد می کنیم.ما اثبات نظری را ارائه می دهیم که روش SGCL پیشنهادی ما تحمل بالایی نسبت به دیدگاه های پر سر و صدا دارد.نمایش بیشتر با انجام آزمایش های گسترده در سه مجموعه داده در دنیای واقعی ارائه می شود.نتایج تجربی نشان می دهد که رویکرد ما به طور قابل ملاحظه ای دقت توصیه را افزایش می دهد ، با پیشرفت های نسبی به 12.25 ٪ نسبت به نه مدل رقیب دیگر رسیده است.این نتایج اثربخشی روش ما را برجسته می کند.

📚 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.