【论文笔记】2020-SIGIR-DGCF Disentangled Graph Collaborative Filtering 对用户实际意图进行分解

最新推荐文章于 2023-12-26 15:54:00 发布
最新推荐文章于 2023-12-26 15:54:00 发布
阅读量1.3k 收藏 8
点赞数 5
分类专栏： 论文 文章标签： 机器学习 深度学习
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/SeanChau/article/details/108768539
版权
这篇笔记详细解析了2020年SIGIR会议上发表的DGCF论文，该研究利用图神经网络对用户意图进行分解，以实现更精准的推荐过滤。作者分享了学习过程，并邀请读者交流讨论。
摘要由CSDN通过智能技术生成

本文只是个人学习的笔记，不做商用，如果有涉及侵权问题，请联系我删除，谢谢。

最低0.47元/天 解锁文章
SeanChou_
关注
专栏目录
DGCF:Disentangled Graph Collaborative Filtering论文及代码
zhao254014的博客
10-27 1552
利用图解缠结模块迭代地细化意图感知交互图和阶乘表示。我们进一步引入了独立建模模块以鼓励分离。推荐的有效性、用户意图的分离以及析因表示的可解释性。
【论文笔记】Disentangled Graph Collaborative Filtering --- SIGIR2020
weixin_44884854的博客
10-28 4176
摘要 从历史交互数据中学习用户、物品的表示是协同过滤中重要的一步。当前的嵌入方程利用用户-项目关系来丰富表示，从单个用户-项目实例演变为整体交互图。尽管如此，大多数的模型仍然使用统一的方式处理用户-物品之间的关系，忽略了不同用户意图对采购物品的影响，例如消磨时间、真正感兴趣、给家人买东西等。这种统一的方法对对用户进行建模容易导致次优表示（suboptimal representations），未能对不同的关系进行建模并在表示中分离用户意图。 在本文中，我们特别关注在用户意图的细粒度上的用户-物品关系。我
DGCF，Disentangled Graph Collaborative Filtering论文理解
weixin_47235700的博客
11-26 1634
这里写自定义目录标题论文地址：http://staff.ustc.edu.cn/~hexn/papers/sigir20-DGCF.pdfIntros功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 论文地址：http://staf
2020-SIGIR-Disentangled Graph Collaborative Filtering
Dive的博客
03-22 412
DGCF Abstract CF演化，从单一的用户-物品交互演化到使用整个交互图来学习表示。这些方法都是uniform方法，忽略了用户采取物品时意图的多样性。本文提出DGCF，分离意图因素，产生解耦表示。 1 INTRODUCTION DGCF，在用户意图上解耦用户和物品的表示。 首先将每一个用户/物品的嵌入划分成块，将每个块和每种隐含的意图耦合。 然后采用图解耦模块，带有邻居路由和嵌入传播 同时，独立建模模块，使得不同意图尽量独立 2 PRELIMINARY AND RELATED WORK 2.2
Disentangled Graph Collaborative Filtering
qq_42018521的博客
04-17 639
现有模型在很大程度上以统一的方式对用户-物品关系进行建模(将模型看做黑盒，历史交互作为输入，Embedding作为输出。)，这会忽略用户意图的多样性（用户看一个视频可能是因为消磨时间、喜欢里面的演员等多种意图）导致representation次优。本文提出，将embedding划分成多个部分，每一部分单独表示一种意图，各部分之间相互独立，实现意图的解耦。
Disentangled Graph Collaborative Filtering 2020 SIGIR
qq_39091546的博客
04-20 331
这篇文章说的是学习用户之间不同的意图，并且意图之间要有独立性 我们之前都是一个物品学习一个embedding ,但是一个物品也会有很多不同的属性，所以分别进行表示，比如说一个物品20维度，四个属性，每一个属性就是五个维度， 确定用户交互是处于何种目的， 一个k 是一个意图，之后在整个图整个到一起，每个intent尽可能的不一样。 用户的embedding是有每一部分的意图embedding组成的，之前学习的用户意图是使用的mutle-head ，要做的是确保head之间的独立性。 数据的初始化
蔡氏电路matlab仿真代码-disentangled_graph_collaborative_filtering:图形化协作过滤，SIGIR
05-26
解缠图协同过滤（DGCF）是一个可解释的推荐框架，配备了（1）胶囊网络的动态路由机制，以提高意图感知图中用户-项目交互的强度，（2）嵌入图传播机制神经网络，从高阶连通性中提取相关信息，以及（3）独立性建模的...
蔡氏方程matlab求解代码-neural_graph_collaborative_filtering:神经图协同过滤，SIGIR2019
05-19
神经图协同过滤（NGCF）是一种基于图神经网络的新推荐框架，通过执行嵌入传播，在用户项二部图中以高阶连通性的形式对协同信号进行显式编码。 引文 如果您想在研究中使用我们的代码和数据集，请引用： @in...
【论文笔记】Disentangled Graph Collaborative Filtering
qq_42924581的博客
11-03 783
Disentangled Graph Collaborative Filtering 文章目录Disentangled Graph Collaborative Filtering摘要一、DGCF模型介绍模型任务：探索用户-项目关系生成表示DGCF模型方法Graph Disentangling Moduleembedding初始化Intent-Aware Graph初始化Graph Disentangling Layer.Intent-Aware Graph更新总结 摘要 1、以往模型在模拟user-item
基于图协同过滤的解缠表示(Disentangled Graph Collaborative Filtering)
xianfishY的博客
11-13 1181
基于图协同过滤的解缠表示（Disentangled Graph Collaborative Filtering）1.前言摘要引言2.前期工作2.1.协同过滤2.1.2.基于协同过滤的表示学习2.1.3.限制2.2.任务描述2.2.1.用户-商品关系的探索2.2.2.生成解耦的表示3.模型理论3.1.图解缠模型3.1.1.初始化意图嵌入向量3.1.2.意图感知图初始化3.1.3.图解缠层设计3.1.4.合并图解缠层3.2.独立建模模块3.3.模型优化4.实验4.1模型结果4.2.对DGCF的深入研究5.结论与
DGCF代码解读之重新出发
NLP与推荐算法
11-22 3637
hi我是小明哥，年少不知小明帅，为约妹子强说愁，哈哈。言归正传，每个新模型出来不到两个月，甚至不到一个月，就有人引用你的文章（你以为别人引用很开心，其实是人家为了踩你啊）马上与你的结果对比，效果就是比你的好，这种正常的竞争/竞赛我觉得很好，公平公正公开，不开源的就算了，谁知道有没有实现paper中宣称的结果，这种都是不足为信的。 总体来说，DGCF是CF协同过滤的大范畴之内的，当然要与最佳的模型对比了，目前来看最优的是GCN（LightGCN），这种方法如果维度小点能够达到相当不错的效果就好了，当数据量大
伊利诺伊大学联合中科院提出动态图协同过滤算法DGCF(已开源)
hestendelin的专栏
06-07 666
Dynamic Graph Collaborative FilteringXiaohan Li, Mengqi Zhang, Shu Wu, Zheng Liu, Liang Wang, ...
GDSRec：Graph-Based Decentralized Collaborative Filtering for Social Recommendation(基于图的社交推荐分散协作过滤)
qq_52664222的博客
11-08 2080
基于 user-item interactions和user-user social relations生成推荐是基于 web 的系统中的常见用例。这些联系可以自然地表示为图结构数据，因此利用图神经网络（GNN）进行社会推荐已成为一个有前景的研究方向。然而，现有的基于图的方法**无法考虑**用户（项目）的**偏差偏移**。 例如，**挑剔用户**的低评级可能并不意味着对该项目持负面态度，因为用户**在常见情况下倾向于给予低评级**。 在图形建模过程中应考虑此类统计数据。虽然过去的一些工作考虑了这种偏差，但我
(TKDE 2023)GDSRec: Graph-Based Decentralized Collaborative Filtering for Social Recommendation
最新发布
DDykQAQ的博客
12-26 1008
现有的基于图的推荐算法没有考虑到用户或者物品的评分偏好，比如说，一个挑剔的用户给一个物品较低的评分并仅仅是因为这个用户不喜欢这个物品，而是因为这个用户喜欢给物品打低分。而且，用户之间的社交关系应该随着用户相似度的不同而有着不同的强弱属性，因此更相似的用户在图卷积中的相互影响更大。
SIGIR‘19 | 图神经网络协同过滤算法-Neural Graph Collaborative Filtering
paper_reader的博客
07-21 4058
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 Wang X, He X, Wang M, et al. Neural Graph Collaborative Filtering[J]. arXiv preprint arXiv:1905.08108, 2019. 引言 ...
SIGIR2020推荐系统论文聚焦
abcdefg90876的博客
06-09 4407
目录前言推荐论文列表前言第43届国际信息检索研究和发展大会（SIGIR）将于2020年7月25-30日在美丽的中国西安举行。此次大会共收到了555篇长文投稿，录用147篇，长文录取率26...
论文解析：Neural Graph Collaborative Filtering
da_kao_la的博客
03-11 1171
论文解析：Neural Graph Collaborative Filtering 作者：Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, Tat-Seng Chua（新加坡国立大学） 会议：SIGIR 2019 方法 和Graph Convolutional Matrix Completion一样，Neural Graph Collaborativ...
DGVa:染色体结构变异数据库
庐州月光的博客
08-19 962
欢迎关注”生信修炼手册”!DGVa是一个来自EBI的染色体结构变异数据库，通过文献整理和科研人员提交两种方式，存储了多个物种的染色体结构变异信息，网址如下https://www.ebi....
Disentangled Graph Convolutional Networks解耦图卷积神经网络 ICML 2019
qq_40491207的博客
03-24 4976
文章目录相关介绍摘要main contributionsDisenGCN: the Proposed Model1. DisenConv 的基本假设2. The DisenConv Layer理论分析 论文链接：http://proceedings.mlr.press/v97/ma19a.html 相关介绍 摘要 真实世界的图通常是在许多潜在因素的高度复杂交互作用下产生的。现有的图结构数据深度学习...
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
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