无负采样的正样本增强图对比学习推荐方法PAGCL

对比学习(CL)因能够提取数据本身包含的监督信号而被广泛应用于推荐任务。最近的研究表明,CL在推荐方面的成功依赖于对比损失——互信息噪声对比估计(InfoNCE)损失带来的节点分布的均匀性。此外,另一项研究证明贝叶斯个性化排序(BPR)损失的正项与负项分别带来的对齐性和均匀性有助于提高推荐性能。由于在CL框架中对比损失能够带来比BPR负项更强的均匀性,BPR负项存在的必要性值得商榷。实验分析表明在对比框架中BPR的负项是不必要的,并基于这一观察提出了无需负采样的联合优化损失,可应用于经典的CL方法并达到相同或更高的性能。此外,与专注于提高均匀性的研究不同,为进一步加强对齐性,提出一种新颖的正样本增强的图对比学习方法(PAGCL),该方法使用随机正样本在节点表示层面进行扰动。在多个基准数据集上的实验结果表明,PAGCL在召回率及归一化折损累积增益(NDCG)这两个常用指标上均优于SOTA方法自监督图学习(SGL)、简单图对比学习(SimGCL)等,且相较于基模型轻量化图卷积(LightGCN)的NDCG@20提升最大可达17.6%。     

岩层中沉井施工工艺设计

在岩层中采用沉井施工时既要计算出下沉过程中沉井需要克服的摩阻力,又要确定岩层破土的方法,因此通过理论计算分析后认为,采用静态爆破岩层破土的方法,可使沉井顺利、安全地加以实施;同时,根据实际操作经验还提出了可减少沉井结构中刃脚高度、取消底板下抛石等几点建议。     

玄武岩纤维混凝土抗压强度和劈拉强度的研究

阐述了纤维混凝土增强机理的两大类理论,即复合材料理论和纤维间距理论。再以短切玄武岩纤维混凝土为研究对象,分析了短切玄武岩纤维体积掺量与混凝土7 d和28 d的强度(立方体抗压强度和立方体劈拉强度)之间的关系,并进行相应解释。研究结论可为相关工程提供参考。