SR-GNN论文解读并附代码分析

最新推荐文章于 2022-11-27 13:27:03 发布
最新推荐文章于 2022-11-27 13:27:03 发布
阅读量3k 收藏 9
点赞数 11
分类专栏： NLP与推荐算法 文章标签： GNN session-based 推荐 MRR P值
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/SPESEG/article/details/107153096
版权
本文深入解析SR-GNN模型在基于会话的推荐系统中的应用。通过构建会话图，利用GNN提取特征，预测用户下一次点击。文章介绍了会话定义、会话图构建、GNN更新过程以及推荐生成。尽管作者对论文中某些细节表示困惑，但整体提供了对SR-GNN的代码分析。
摘要由CSDN通过智能技术生成

采用GNN解决基于会话的推荐，啥是会话？session-based？

一般是指用户的行为，时间一般限制在30min内，也就是说用户在30min内的点击浏览行为，这是一个会话。

基于会话的推荐最终结果是计算得到用户和item的embedding，并预测next点击，也就是说，这种方法与youtube2016的部分流程是相似的，

For Video Recommendation in Deep learning QQ Group 277356808
 
For Visual in deep learning QQ Group 629530787
 
I'm here waiting for you
 

 

【下个点击预测：paper原文

Session-based recommendation aims to predict which item a user will click next, solely based on the user’s current
sequential session

了解本专栏 订阅专栏 解锁全文 超级会员免费看
小李飞刀李寻欢
关注
专栏目录
订阅专栏
通过SR-GNN算法进行挖掘商品图的时序商品推荐 代码+数据
机器学习深度学习业余选手
11-26 1029
通过SR-GNN算法进行挖掘商品图的时序商品推荐 代码+数据
SRGAN代码结构分析
bla234的博客
04-15 3527
data_utils.py 数据的基本处理方法定义，由torchvision.transforms来定义返回Compose对象 继承Dataset类，来定义train，test，val等数据的读取和处理方式 loss.py 数学公式的常规操作，矩阵运算， 然后写测试代码来运行验证 model.py 这部分是最好理解和编写的 先写好基本的res模块和upsample模块 然后用...
SR-GNN:[AAAI 2019]“使用图形神经网络的基于会话的推荐”的源代码和数据集
05-04
人工神经网络 纸质数据和代码 这是AAAI 2019论文： 的代码。 我们已经在Tensorflow和Pytorch中实现了我们的方法。 这是我们在论文中使用的两个数据集。 下载数据集后，您可以将它们放在文件夹datasets/ ： 友情链接： ://2015.recsyschallenge.com/challenge.html DIGINETICA： ://cikm2016.cs.iupui.edu/cikm-cup或 文件夹datasets/包含一个小的数据集sample ，可用于测试代码的正确性。 我们还写了解释该论文。 用法 您需要先运行文件datasets/preprocess.py来预处理数据。 例如： cd datasets; python preprocess.py --dataset=sample cd datasets; python preproces
开源 | 基于会话的最优推荐模型：SR-GNN的PaddlePaddle实现
量子位
05-13 734
本文转载自百度 PaddlePaddle百度深度学习平台PaddlePaddle于近期开源了基于会话（session-based）的推荐系统模型（SR-GNN）。相较于之...
Session-based Recommendation with Graph Neural Networks，SR-GNN代码分析
05-22 2360
代码仓库：https://github.com/CRIPAC-DIG/SR-GNN#paper-data-and-code 数据集下载： 一个是YOOCHOOSE，仓库的链接失效了，去kaggle下就好，https://www.kaggle.com/chadgostopp/recsys-challenge-2015 另一个是DIGINETICA，https://competitions.codalab.org/competitions/11161 下载完后解压到datasets里面 最终就用到这两个文件
SR-GNN论文解读(AAAI2019)
yfreedomliTHU的博客
06-08 6692
Session-based Recommendation with Graph Neural Networks(SR-GNN) 1.引言 基于会话的推荐系统旨在通过匿名的会话来预测用户行为。但是传统基于序列的推荐算法并不能获取items间的复杂的转移关系，因此本文提出了基于GNN的方法。 2.相关工作 • 传统的推荐算法 • 基于深度学习的方法 • 图神经网络(GNN) 3.方法介绍 SR-GNN...
GCE-GNN论文解读及代码
NLP与推荐算法
11-08 4748
hi本文是gnn系列的延续，前面可参考，TAGNN，SRGNN，LightGCN，根据论文数据比较，GCE-GNN要比TAGNN的效果好很多，如下是同一数据同一指标的对比，可见一斑。考虑到TAGNN并没有比SRGNN高很多，本菜鸟打算放弃TAGNN了，舍得。 For Video Recommendation in Deep learning QQ Group 277356808 For Visual in deep learning QQ Group629530787 I'm here wait.
TAGNN论文解读——SRGNN的进阶版本
NLP与推荐算法
10-29 3254
hi各位大佬好，我是菜鸟小明哥（其实我也是大佬，哈哈，都是大佬）。 SRGNN已经初步完成实际应用，效果还好，有用的参考来这里。据说原paper大佬已经更新换代了GNN，也就是TAGNN，望文生义就是“他的GNN”，我啥时候发个“WOGNN”，也就是“我的GNN”，hehe。本文依旧粉丝可见，年底回馈粉丝福利。（不喜欢我翻译的就别看，看过了又瞎BB，你是闲的蛋疼吗？），代码在此，paper在此。 真正意义上的序列推荐，SRGNN算上一个，从序列到序列，无需考虑用户的id，当然要记住是哪个用户的点击序列，
GCN论文解读
NLP与推荐算法
09-05 1869
He老师又出新作了，2020年的，此He非彼He，但在我看来都是一样的牛逼。我之前的SR-GNN版本速度好慢，这也是我的一个心病了，后面再想法子改版本，如果有好的版本（tf1.14或者tf.1.15能跑的，tf1.10以下的版本不能用）欢迎安利。 paper地址在此，代码地址在此，torch版本在此。 For Video Recommendation in Deep learning QQ Group 277356808 视频推荐深度学习加这个群 For Visual in deep learnin
SRNN完整源代码
10-24
SRNN源码 完整版，需要学习的同学可以看一下 、
GNN github开源代码
05-06
人工智能（AI）最近经历了复兴，在视觉，语言，控制和决策等关键领域取得了重大进展。 部分原因在于廉价数据和廉价计算资源，这些资源符合深度学习的自然优势。 然而，在不同的压力下发展的人类智能的许多定义特征仍然是当前方法无法实现的。 特别是，超越一个人的经验 - 从婴儿期开始人类智能的标志 - 仍然是现代人工智能的一项艰巨挑战。 以下是部分立场文件，部分审查和部分统一。我们认为组合概括必须是AI实现类似人类能力的首要任务，结构化表示和计算是实现这一目标的关键。就像生物学利用自然和培养合作一样，我们拒绝“手工工程”和“端到端”学习之间的错误选择，而是倡导一种从其互补优势中获益的方法。我们探索如何在深度学习架构中使用关系归纳偏差来促进对实体，关系和组成它们的规则的学习。我们为AI工具包提供了一个新的构建模块，具有强大的关系归纳偏差 - 图形网络 - 它概括和扩展了在图形上运行的神经网络的各种方法，并为操纵结构化知识和生成结构化行为提供了直接的界面。我们讨论图网络如何支持关系推理和组合泛化，为更复杂，可解释和灵活的推理模式奠定基础。作为本文的配套文件，我们还发布了一个用于构建图形网络的开源软件库，并演示了如何在实践中使用它们。
SRGAN代码逐行精读并注释——CSDN第一人
雷神-尼卡的博客
08-02 4731
SRGAN代码逐行精读并注释——CSDN第一任！
Sr-gnn
weixin_43951296的博客
11-27 527
sr-gnn用于推荐
【SR-GNN】Session-based Recommendation with Graph Neural Networks详解
cuicuicuicuicuih的博客
04-27 1925
结构图： 首先，将所有会话序列建模为定向会话图，其中每个会话序列可以作为子图处理。然后依次处理每个会话图，通过门控图神经网络得到每个图中所有节点的潜在向量。然后，我们将每个会话表示为全局首选项和用户当前对该会话的兴趣的组合，其中这些全局和本地会话嵌入向量都由节点的潜在向量组成。最后，对于每个会话，我们预测每个条目成为下一个单击的概率。在真实数据集上进行的大量实验证明了该方法的有效性。 开源代码在...
【序列召回推荐】(task3)GNN召回之SR-GNN
发现问题，并解决问题，批判性思维
11-20 1758
- 关于图深度学习算法的简单回顾： - 一开始是经典的word2vec（以skip-gram为例，先取周围词随机初始化的embedding，进行平均池化后与中心词embedding进行点积）通过周围词预测中心词（多分类任务），不断迭代得到每个词embedding； - deepwalk随机游走生成节点序列，然后还是用w2v生成embedding；而Node2vec仅是多了控制游走方向的参数； - GCN：基础公式为$\boldsymbol{H}^{l+1}=\sigma\left(\
推荐系统 - SR GNN架构详解（包含图神经网络GNN和门控图神经网络GGNN的介绍）
热门推荐
马飞飞的博客
08-18 2万+
说明 1.SR-GNN是中科院提出的一种基于会话序列建模的推荐系统，这里所谓的会话是指用户的交互过程（每个会话表示一次用户行为和对应的服务，所以每个用户记录都会构建成一张图），这里说的会话序列应该是专门表示一个用户过往一段时间的交互序列。基于会话的推荐是现在比较常用的一种推荐方式，比较常用的会话推荐包括循环神经网络、马尔科夫链。但是这些常用的会话推荐方式有以下的两个缺点： ...
SRGNN数据的分发
NLP与推荐算法
05-31 422
哈喽，各位大佬好，我是菜鸟小明哥。鉴于上一篇博文已经说明一般数据的分发，而在实际中数据的分发并没有那么简单，尤其是在推荐中，样本数据的多样性（不定长，多变量，多类型dtype）给数据分发带来了很大的麻烦，因此本文将进一步探讨，作为一般的方法论。 For Recommendation in Deep learning QQ Group 102948747 For Visual in deep learning QQ Group629530787 Wanna have a date with someo.
论文实现：SR-GNN、DER 中用到的函数
一个小彩笔
04-13 568
np.arange()：生成np数组 x = np.arange(9.0) #生成0-8的np数组 np.split() ：np数组分割 详见：https://blog.csdn.net/lthirdonel/article/details/88690923 np.asarray() 与 np.array() array和asarray都可将结构数据转换为ndarray类型。 但是...
tensorflow-gnn代码
最新发布
07-27
Tensorflow-GNN是一个基于Tensorflow的图神经网络库。图神经网络主要用于处理图数据，它能够从图中学习节点和边的表示，从而应用于节点分类、图分类、链接预测等任务。 Tensorflow-GNN提供了一系列的图神经网络模型和相关的操作。它包含了常用的图卷积网络（Graph Convolutional Network，GCN）、图注意力网络（Graph Attention Network，GAT）和图自编码器（Graph Autoencoder）等模型。这些模型的实现都基于Tensorflow，并提供了简洁的API接口，使得用户能够方便地构建和训练图神经网络模型。 使用Tensorflow-GNN的流程一般包括以下几个步骤：首先，需要加载或生成图数据。然后，需要定义图神经网络模型的架构，并创建相应的神经网络层。接下来，需要定义损失函数和优化器，以及对训练过程进行配置和初始化。最后，使用训练数据对模型进行训练，并根据需要对模型进行测试和评估。 Tensorflow-GNN还支持模型的保存和加载，可以方便地将训练好的模型保存到磁盘上，并在需要的时候加载进行使用。 总而言之，Tensorflow-GNN是一个强大的图神经网络库，它提供了丰富的模型和操作，能够帮助用户快速构建和训练图神经网络模型，并在图数据相关任务中取得良好的效果。
评论
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

打赏作者

小李飞刀李寻欢

您的欣赏将是我奋斗路上的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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