檢索到了兩篇關于推薦系統的論文，一篇是關于在知識圖上改進負采樣策略的，另一篇是在圖上進行對抗學習的綜述。

Reinforced Negative Sampling over Knowledge Graph for?Recommendation

關鍵字：強化學習+知識圖+矩陣分解

概述：正確處理缺失數據是推薦場景中的一項基本挑戰。目前的大多數工作都是從未觀察到的數據中進行負采樣，從而為推薦模型的訓練提供負樣本。但是，現有的靜態或自適應負采樣策略不足以產生高質量的負采樣，也不利于模型訓練和反映用戶的實際需求。

在該項工作中，其假設項目知識圖（KG）提供了項目與KG實體之間的豐富關系，可能有助于推斷富含信息量的和真實的負樣本。為此，其開發了一個新的負抽樣模型，即“知識圖策略網絡（KGPolicy）”，該模型可作為強化學習代理來探索高質量的負樣本。具體而言，通過執行設計的探索操作，它可以從目標正互動中導航，自適應地接收具有知識意識的負信號，并最終產生潛在的負樣本來訓練推薦系統。

開源代碼：

https://github.com/xiangwang1223/kgpolicy

A Survey of Adversarial Learning on Graph

關鍵字：對抗學習+圖表示+綜述

概述：圖上的深度學習模型在各種圖分析任務（例如節點分類，鏈接預測和圖聚類）中均取得了卓越的性能。但是，它們暴露了對設計良好的輸入（即對抗性樣本）的不確定性和不可靠性。因此，針對不同圖分析任務中的攻擊和防御都出現了各種研究，從而導致了圖對抗學習中的軍備競賽。例如，攻擊者具有中毒和逃避攻擊，防御小組相應地具有基于預處理和對抗的方法。

盡管這些工作很多，但仍然缺乏統一的問題定義和全面的審查。為了彌合這一差距，該文系統地研究和總結了有關圖對抗學習任務的現有工作。具體來說，其調查并統一現有工作在圖分析任務中的攻擊和防御，并同時給出正確的定義和分類法。此外，還強調了相關評估指標的重要性，并對其進行了全面的調查和總結。?

開源代碼：

https://github.com/gitgiter/GraphAdversarial-Learning

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習在線手冊深度學習在線手冊AI基礎下載（pdf更新到25集）本站qq群1003271085，加入微信群請回復“加群”獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/yFQV7am喜歡文章，點個在看

總結

以上是生活随笔為你收集整理的最新的推荐系统论文两篇的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。