模型 | 思路 | 类别(是否基于传统KG算法) | 理论/应用以及应用场景 | 优缺点 | task | 可能的应用方向 |
---|---|---|---|---|---|---|
metapath2vec | 随机游走+skipgram | 异构图 | 理论型 | 缺点:效果一般,onehot输入简单粗暴,将不同类型节点映射到同一向量空间显得不太合理 | 分类 | item2item商品推荐 |
EGES | 随机游走+skipgram+side info | 异构图 | 应用;双十一产品召回 | 同上,方法较为原始,未考虑用户特征 | 同上 | 商品推荐 |
Metapath-guided Heterogeneous Graph Neural Network metapath | 更新节点信息 | 异构图 | 应用;搜索词语自动填充 | 优点:利用了user信息,意图识别进行搜索词填充方向较为新颖 | 分类 | 意图识别 |
HAN | metapath + attention | 异构图 | 理论型 | 优点:分两步聚合(1.单个metapath内聚合 2.所有metapath聚合);采用了attention。 缺点:需要自己设定规则构建metapath | 分类 | 基于user和item的商品推荐 |
HetGNN | 编码不同类型节点属性信息+聚类同邻接类节点+聚合不同邻接类节点 | 异构图 | 理论型 | 优点:模型整体思路流畅自然,不停类型属性分别用不同方式编码,先解决异质点再解决异构关系,用带重启的随机游走策略采样强关联的异质邻居。缺点:用Bi-LSTM这种时序模型但是给输入随机排序,这个编码方式上可解释性差 | 无监督预测邻接节点 | 分类/聚类/推荐/链路预测(原论文都进行了对比实验)/或许可用于冷启动和补全现有KG |
GTN | 边的邻接矩阵相乘生成新的矩阵,再组合形成元路径,最后再在元路径图上进行GCN | 异构图 | 理论型 | 优点:模型可以选择即元路径,无需人工设定;可以生成新图。缺点:对不同类型节点处理较为简单粗暴 | 节点分类 | 商品推荐 |
MKR | 推荐部分点击率的预估值作为输出,知识图谱特征学习部分预测的尾节点作为输出,两个部分通过共享特征模块进行交替学习 | KG Based | 理论型 | 优点:多任务+交替式学习,物品向量和实体向量是对同一对象的两种描述,信息交叉共享让两部分获得来自对方的额外信息,弥补信息稀疏性 | 两个部分损失函数之和(ctr预估模型和KG传统模型) | 商品推荐 |
图+推荐:paper总结比较
最新推荐文章于 2022-10-21 21:07:02 发布