LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

已于 2024-04-29 16:54:12 修改
阅读量281 收藏 6
点赞数 4
分类专栏： 文献笔记 文章标签： 笔记 推荐算法
于 2024-04-05 15:05:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Guozyan/article/details/137400917
版权

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

SIGIR-CCF A-He Xiangnan, Deng Kuan, Wang Xiang, Zhang Yongdong, Wang Meng-2020.7.25-30

思路

DCN做推荐缺乏彻底的消融分析，是图分类任务，并且配备了许多神经网络操作。但是，GCN里两个最常见的设计：GCN-特征转换、非线性激活-性能贡献不大的协同过滤，并且有这两部分会增加训练的难度，并且会降低推荐性能。于是为了简化GCN的设计，提出LightGCN，它只包括GCN中最重要的组成部分-邻域聚合-协同过滤。具体来说，它通过用户-项目交互图上的线性传播来学习用户和项目嵌入，并使用所有层学习的嵌入的加权和作为最终嵌入。在完全相同的实验设置下，与神经图协同过滤NGCF相比，有实质性的改进。【TensorFlow√PyTorch√】

对NGCF进行消融实验

对NGCF进行广泛的消融实验，通过严格的对照试验，得出结论：继承自GCN的两个操作-特征转换和非线性激活-对NGCF的有效性没有贡献。NGCF利用用户项交互图来传播嵌入在这里插入图片描述
。GCN的核心是通过传播来细化嵌入，因此新的问题是相同嵌入大小下的嵌入质量如何。所以改变了获取最终嵌入的方式

最低0.47元/天 解锁文章
YanYan——
关注
  • 4
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_34739497的博客
12-16 506
SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation ABSTRACT 图卷积网络已经成为结合协同过滤算法的最新技术。但是，它推荐的有效性的原因还不是很明确。现有的使GCN适应推荐的工作缺乏对GCN的消融分析，GCN由于参考了卷积神经网络改造而来，所以包含许多神经网络操作。但是作者基于实验发现GCN最常见的两个设计-特征转换和非线性激活对协同过滤的性能几乎没有影响。反而增加了训练的难度
论文《LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation》阅读
xingzhe123456789000的博客
03-19 586
论文《LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation》阅读论文概况Introduction模型分析LightGCN与SGCN的关系LightGCN与APPNP的关系二阶embedding平滑模型训练总结 论文概况 这篇文章是何向南教授刚刚发表在SIGIR 2020上的作品，作者介绍了一个轻量版的GCN模型做推荐系统。 论文地址：LightGCN Introduction 这篇文章的亮点在于将以往
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation(SIGIR2020)
weixin_43401022的博客
01-12 678
原文链接[2002.02126] LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation (arxiv.org)https://arxiv.org/abs/2002.02126 代码GitHub - kuandeng/LightGCNhttps://github.com/kuandeng/LightGCN 1 INTRODUCTION Neural Graph Collaborative...
阅读笔记：LightGCN: Simplifying and Powering Graph ConvolutionNetwork for Recommendation - 2020 SIGIR
Q1an的博客
03-26 1879
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation原文链接： LightGCN: Simplifying and Powering Graph Convolution Network for Recommendationhttps://arxiv.org/abs/2002.02126代码： GitHub - kuandeng/LightGCN https://github.com/kuandeng
LightGCN学习笔记
DreamOfDragon的博客
12-14 3309
LightGCN ABSTRACT 1.GCN推荐有效的原因不清楚 2.特征转换和线性激活对协同过滤性能的作用不大，更糟糕的是，包括他们增加了培训的难度，降低了推荐的效果。 作者简化了GCN的设计，lightGCN模型只包含GCN中的邻域聚合部分。具体来说，LightGCN通过在用户-物品交互图上线性传播来学习用户和物品嵌入，并使用在所有层上学习到的嵌入的加权和作为最终嵌入。这种简单、线性和整洁的模型更容易实现和训练，在完全相同的实验设置下，与最先进的基于gcn的推荐模型Neural Graph Colla
非常多的数据结构算法示例代码，以及关于算法的描述文档
11-13
非常多的数据结构算法示例代码，以及关于算法的描述文档 《数据结构及应用算法教程》的所有算法。 .线性表 .排序 .栈和队列 .串和数组 .二叉树和树 .图和广义表 .查找表 .代码利用示例
Storage Virtualization: Technologies for Simplifying Data Storage and Management
06-11
Making storage networkseasier to manage can save a company money and make a storage network moreefficient. Storage Virtualization provides a technical overview of howvirtualization applications work ...
Simplifying JavaScript 2018
06-20
This book is for anyone who has a little programming experience. It helps to have some JavaScript experience, but that’s not strictly necessary. I’ll assume that you know some basic programming ...
Master Your 400G, Characterization and simplifying PAM4 testing
09-01
Master Your 400G, Characterization and simplifying PAM4 testing
论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
aaHua_
07-28 491
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
论文笔记：LightGCN Simplifying and Powering Graph Convolution Network for Recommendation
qq_44015059的博客
08-14 1541
前言 论文链接：https://arxiv.org/abs/2002.02126 github：https://github.com/gusye1234/LightGCN-PyTorch 参考：https://blog.csdn.net/qq_39388410/article/details/106970194 https://blog.csdn.net/u013422128/article/details/107504654 图卷积网络(GCN)已经成为协同过滤的最新技术。然而，对于推荐的有效性的原因却没
阅读笔记《LightGCN Simplifying and Powering Graph Convolution》
白刺猫nya的博客
07-22 1069
LightGCN：简化并增强图卷积网络的推荐 原文发表在SIGIR 2020 摘要 图卷积网络(GCN)已经成为协同过滤的最新技术。然而，对于推荐的有效性的原因却没有很好地解释。现有的将GCN用于推荐的工作缺乏对GCN的深入消融分析，GCN最初是为图形分类任务而设计的，并配备了许多神经网络操作。然而，我们实证发现，两种最常见的设计-特征转换和非线性激活-对协同过滤的性能贡献很小。更糟糕的是，在模型中包含他们增加了训练的难度，降低了推荐的效果。 在本文工作中，我们的目标是简化GCN的设计，使其更简洁，更适合推
16篇最新推荐系统论文送你（文末附打包下载链接）
m0_37586850的博客
03-09 924
ASurvey onKnowledge Graph-Based Recommender Systems链接：https://arxiv.org/pdf/2003.00911简介：该...
LightGCN：用于推荐任务的简化并增强的图卷积网络 SIGIR 2020
热门推荐
u013602059的专栏
08-04 2万+
论文链接：https://arxiv.org/abs/2002.02126 代码链接：https://github.com/gusye1234/LightGCN-PyTorch 论文来源：SIGIR 2020 摘要 图卷积网络(GCN)已经成为协同过滤的最新技术。然而，对于推荐的有效性的原因却没有很好地解释。现有的将GCN用于推荐的工作缺乏对GCN的深入消融分析，GCN最初是为图分类任务而设计的，并配备了许多神经网络操作。然而，我们实证发现，两种最常见的设计-特征转换和非线性激活-对协同过滤的性能贡献很小.
【论文学习】LightGCN：轻量图卷积
KeithVV的博客
06-04 5673
图卷积网络（GCN）已成为协同过滤的新技术。然而，对其建议效力的原因并不十分了解。现有的基于推荐的GCN算法缺乏对GCN算法的深入分析，GCN算法最初是为图分类任务而设计的，具有很多神经网络操作。然而，我们在经验上发现，GCN中最常见的两种设计-特征转换和非线性激活-对协同过滤的性能贡献甚微。更糟糕的是，包括它们会增加培训的难度，降低推荐性能。在这项工作中，我们的目标是简化GCN的设计，使其更简洁、更适合推荐。提出了一种新的协同过滤模型LightGCN，该模型只包含了GCN中最基本的部分-邻域聚集。具体来说
轻量级图卷积网络LightGCN介绍和构建推荐系统示例
deephub
03-11 4218
推荐系统是当今业界最具影响力的 ML 任务。从淘宝到抖音，科技公司都在不断尝试为他们的特定应用程序构建更好的推荐系统。而这项任务并没有变得更容易，因为我们每天都希望看到更多可供选择的项目。所以我们的模型不仅必须做出最优推荐，而且还必须高效地做出推荐。今天介绍的这个模型被称作：Light Graph Convolution Network 或 LightGCN¹。 让我们将用户和项目想象成二分图中的节点，其中用户与已经选择的项目相连。所以寻找最佳推荐项目的问题就变成了链接预测问题。 示例数据集 作为一个实际
轻量级图卷积网络LightGCN讲解与实践
AI蜗牛车
03-15 1935
转自：deephub推荐系统是当今业界最具影响力的 ML 任务。从淘宝到抖音，科技公司都在不断尝试为他们的特定应用程序构建更好的推荐系统。而这项任务并没有变得更容易，因为我们每天都希望看到...
simplifying graph convolutional networks
最新发布
03-16
简化图卷积网络是一种用于图像识别和语音识别等任务的深度学习模型。它通过对图像或语音信号进行卷积操作来提取特征，然后将这些特征传递给后续的层进行分类或回归。简化图卷积网络的主要优点是可以处理任意形状的图像或语音信号，并且可以自适应地学习特征。此外，它还可以处理具有不同大小和形状的图像或语音信号，并且可以在不同的任务之间共享特征。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值