论文笔记：Memory Augmented Graph Neural Networks for Sequential Recommendation

最新推荐文章于 2023-09-19 12:33:35 发布
最新推荐文章于 2023-09-19 12:33:35 发布
阅读量1.8k 收藏 8
点赞数 1
文章标签： python 大数据 人工智能
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/KKKKKKKKKz/article/details/108185769
版权
本文是关于Memory Augmented Graph Neural Networks在序列推荐中的论文笔记，探讨了如何利用GNN捕捉用户的短期兴趣，多维注意力机制建模长期兴趣，以及项目共现的建模方法。论文提出通过两层GNN聚合邻域，结合GRU门控层融合短期和长期兴趣，并用双线性函数建模项目间的共现关系，以提高推荐系统的性能。
摘要由CSDN通过智能技术生成

论文笔记：Memory Augmented Graph Neural Networks for Sequential Recommendation

写在前面：一下均为我自己的理解，有不足和错误的地方请及时指出修正。

论文链接：https://www.aaai.org/ojs/index.php/AAAI/article/view/5945
论文代码：论文并没有提供代码，有大佬如果获取到代码可以共享一下，谢谢

框架

在这里插入图片描述
先说一下框架：在建模短期兴趣时，使用的是将三个一组的项目进行第一层GNN的聚合，之后再将整个的一个滑动窗口的表示再做一次GNN聚合构成用户的短期兴趣。在建模长期兴趣时，作者首先将用户交互的连续项使用多维注意力生成Query嵌入，结合KV值，生成注意力系数，再将查询嵌入和注意力系数主元素加起来生成用户的长期兴趣。之后作者使用了一个类似GRU的门层将用户的长期兴趣和短期兴趣集合起来。文中所说的项目共现是在框架图下方的绿色方框与橘黄色乘积，来捕获项目与项目之间的成对关系，之后通过预测层生成预测。（论文没有代码，不是很好理解）

难点

文中指出了三个挑战：
1）用户的长期兴趣
2）用户的短期兴趣
3）项目共现
下面就

最低0.47元/天 解锁文章
平凡的K
关注
Memoryaugmented Neural Networks
程序员光剑
08-19 604
作者：禅与计算机程序设计艺术 1.简介 Memory-augmented Neural Network(MANN) MANN由两个组件组成: controller和memory network。contr
记忆增强神经网络(Memory Augmented Neural Network)
程序员光剑
07-12 537
记忆增强神经网络(Memory Augmented Neural Network) Memory Augmented Neural Network. RNN中的隐状态可以看作一种内部记忆
Memory Augmented Graph Neural Networks for Sequential Recommendation翻译
cuicuicuicuicuih的博客
05-30 2077
论文下载地址：https://arxiv.org/abs/1912.11730 摘要 在许多推荐系统中，用户-物品交互的时间顺序可以反映用户行为的时间演化和顺序。用户将与之交互的项可能取决于过去访问的项。然而，随着用户和项目的大量增加，序贯推荐系统仍然面临着不小的挑战:**(1)短期用户兴趣建模的难度;(2)获取长期用户兴趣的难度;(3)项目共现模式的有效建模。**为了解决这些挑战，我们提出了一个内存增强图neual网络(MA-GNN)来同时捕捉长期和短期用户兴趣。具体地说，我们应用一个图神经网络来建模短期
Memory Augmented Graph Neural Networks for Sequential Recommendation AAAI 20翻译
qq_39091546的博客
03-22 1070
Abstract 用户项目交互的时间顺序可以揭示许多推荐系统中时间演变和顺序的用户行为。用户将与之交互的项目可能取决于过去访问的项目。然而，用户和项目的大量增加使得顺序推荐系统仍然面临着不小的挑战：（1）短期用户兴趣建模的难度； （2）难以计算长期用户兴趣； （3）项目共现模式的有效建模。为了解决这些挑战，我们提出了一种内存增强图神经网络（MA-GNN），以捕获长期和短期的用户兴趣。具体来说，我们应用图神经网络在短期内对项目上下文信息进行建模，并利用共享内存网络捕获项目之间的长期依赖关系。除了对用户兴趣进行
One-shot Learning with Memory-Augmented Neural Networks
fourierr的博客
01-22 7862
摘要 尽管深度学习应用领域最近取得了较大的进展，但是小样本学习的挑战是一直存在的，传统的基于梯度的网络需要大量的数据去学习，通常需要经过大量广泛的迭代训练。当给模型输入新数据时，模型必须低效的重新学习其参数从而充分的融入新的信息，并不会造成较大的干扰影响。具有增强记忆能力的网络结构，例如NTMs具有快速编码新信息的能力，因此能消除传统模型的缺点。这里，我们证明了记忆增强神经网络（memory-a...
【综述笔记】Graph Neural Networks in Recommender Systems
weixin_45519842的博客
12-08 1600
原文链接：https://arxiv.org/pdf/2011.02260.pdfAbstract如今推荐系统的研究非常火热，GNN也在很多领域表现优异。推荐系统主要的挑战是从历史交互(...
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 5973
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
论文阅读笔记《Meta-Learning with Memory-Augmented Neural Networks》
深视
05-08 8918
核心思想   本文提出一种带有记忆增强神经网络（Memory-Augmented Neural Networks，MANN）的元学习算法用于解决小样本学习问题。我们知道LSTM能够通过遗忘门有选择的保留部分先前样本的信息（长期记忆），也可以通过输入门获得当前样本的信息（短期记忆），这一记忆的方式是利用权重的更新隐式实现的。而在本文中，作者希望利用外部的内存空间显式地记录一些信息，使其结合神经网络自身具备的长期记忆能力共同实现小样本学习任务。   如图(a)所示，整个训练过程分成多个Episode，每个Ep
One-shot learning with Memory-Augmented Neural Networks
01-21
One-shot learning with Memory-Augmented Neural Networks,这是2016年arXiv的关于元学习的论文
2019-Session-based Recommendation with Graph Neural Networks.pdf
01-14
2019-Session-based Recommendation with Graph Neural Networks
序列推荐论文阅读笔记
weixin_44760744的博客
11-06 399
《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读笔记 用户将会接触的项目取决于之前所接触的项目。序列推荐系统面临的挑战： （1）短时间内用户喜好难以建模； （2）长期用户喜好难以获取； （3）有效建模项目的共现模式。 本文：图增强神经网络获得长短期用户喜好。 具体：使用图神经网络建模短时间内项目的上下文信息，利用共享的记忆网络获得项目之间长期的依赖关系。对于用户兴趣的建模，使用双线性函数来获得相关项目的共现模式。
第五章 记忆增强神经网络
王小波的博客
09-06 2313
记忆增强神经网络（memory-augment neural networks，MANN）也是一种单样本学习，其前身神经图灵机（Neural Turing Machines，NTM），NTM能够在存储器中存储和检索信息，其思想是用外存储器来增强神经网络，NTM不是使用隐藏状态作为存储器，而是使用外存储器来存储和检索信息，其架构图如下图所示 NTM重要组件： 控制器：基本上是前馈神经网络或递归神经网络，对存储器进行读写。 存储器：存储矩阵、存储体或简单地存储器是我们存储信息的地方，存储矩阵基本是由记
Memory Augmented Graph Neural Networks for Sequential Recommendation
BLOG of iJX
06-27 488
emm…图片复制过来显示不了（因为我太懒了0.0），要看图的话可以去我的博客瞅瞅，嘿嘿嘿 对了，有些英文短句假如翻译成中文，阅读的时候就太搞脑子了，所以我干脆就不翻译了 我的博客地址：https://hikg.net/archives/126/ 1. Motivation 推荐系统中，user-item交互的时间顺序 可以反应出随着时间演化的、序列化的用户行为。users将要发生交互的items取决于这个用户过去访问的items。 作者认为：在序列推荐任务中，需要考虑这四个因素： general u.
论文《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读
wzj1212123的博客
01-05 2007
论文《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读论文概况IntroductionMethodA.Short-term Interest ModelingB.Long-term Interest ModelingC.Interest FusionD.Prediction总结 论文概况 本文是2020年AAAI上的一篇论文，该篇文章聚焦于短期兴趣、长期兴趣、项目共现来解决会话推荐问题，提出了MAGNN（Memor
Memory Network and Neural Turing Machine
seahailang的博客
10-01 657
起神经网络图灵机（NTM）模型和Memory Network 分别由 DeepMind 和Facebook AI research 独立提出。让人惊讶的是，二者出奇一致的采用了外部记忆单元的来提升神经网络的性能。
​WWW 2023 | 上海交大提出组合药物推荐新方法—MoleRec
最新发布
Paper weekly
09-19 662
写在前面基于机器学习的预测模型在临床决策中显示出巨大潜力，有效地提高了决策的准确性和安全性。这类模型通过深度学习和分析大量的个人医疗数据，能够为医疗专家提供更为准确的疾病诊断和治疗建议。现代科技的快速发展使得这类预测模型得以成功地应用在基于网络的疾病诊断系统中，大幅提升了诊断的效率和准确度。例如，通过分析和学习患者的电子健康记录，医疗专家能够根据患者的健康状况和病史，为他们提供更为个性化的诊断和治...
图神经网络在生化医疗方面的相关应用
博文视点（北京）官方博客
04-26 1293
图神经网络之所以得到如此广泛的关注，得益于它的应用场景丰富。 本文就来分享一下图神经网络在生化医疗方面的相关应用。 以下内容节选自《图神经网络：基础与前沿》一书！ ▊ 预测分子的化学性质和化学反应 在生化领域，药物分子化合物、蛋白质等经常被作为研究对象。以分子为例，它是一个天然的图结构，可以将分子中的原子看作节点，将化学键看作边，研究分子的化学性质就可以看成给一个图分类或者回归问题。事实上，在机器学习图分类问题的标准数据集中，生化分子占据了非常大的比例：对于化合物来说，MUTAG 数据集旨.
Attention Augmented Convolutional Networks
Bruce_0712的博客
05-30 491
https://blog.csdn.net/wudiyouyou1994/article/details/96167188 https://blog.csdn.net/wudiyouyou1994/article/details/96167188
Memory-Augmented Neural Networks和Prototypical Networks哪个更常用
07-14
在元学习领域，Prototypical Networks更为常用。Prototypical Networks是一种简单而有效的元学习方法，特别适用于图像分类任务。它通过计算每个类别的原型向量，并将测试样本分配给最近的原型来进行分类。Prototypical Networks的优点在于简洁的设计和良好的性能，在多个数据集和任务上都取得了很好的效果。 相比之下，Memory-Augmented Neural Networks在元学习领域相对较新，并且在实际应用中使用较少。Memory-Augmented Neural Networks使用外部存储器来保存任务相关的信息，通过注意力机制来读取和写入存储器。这种模型在处理更复杂的任务时可能具有一定的优势，但需要更多的研究和实践来验证其性能和可靠性。 总体而言，Prototypical Networks是目前较为常用和广泛研究的元学习模型之一。然而，选择合适的模型还需要考虑具体应用场景和任务要求。
评论 8
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