论文解析：Graph Convolutional Matrix Completion

最新推荐文章于 2021-05-10 20:09:29 发布
最新推荐文章于 2021-05-10 20:09:29 发布
阅读量2.3k 收藏 9
点赞数 1
分类专栏： 推荐系统 文章标签： GAE 推荐 论文解析
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/da_kao_la/article/details/104791871
版权

论文解析：Graph Convolutional Matrix Completion

  • 作者：Rianne van den Berg, Thomas N. Kipf, Max Welling（也是发表GCN的团队）
  • 会议：KDD 2018

方法

图变分自编码器(GAE)的应用（GAE的博客），算法核心就是下面的图
在这里插入图片描述
将推荐系统的user-item交互建模为二分图，user和item分别是二分图的左半部和右半部节点，user对item的评分是二分图的边权，通过GCN得到user和item的embedding，然后通过一个双线性softmax预测user-item得分的概率分布（每个得分对应一个概率）。loss采用交叉熵损失。
user-item评分矩阵和user-item二分图的等价关系如下图所示：
在这里插入图片描述

实验

实验分别在MovieLens(100K/1M/10M), Flixster, Douban和YahooMusic四组数据集上。由于这些数据集都是有评分的数据集，因此采用RMSE作为评价指标。

da_kao_la
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文｜ Graph Convolutional Matrix Completion
lxq980218的博客
12-28 513
算是在矩阵补全领域看的另一篇论文，大佬真的太太太厉害了。日常仰望大佬并流泪。 核心观点 Intersection data such as movie ratings can be represented by a bipartitie user-item gtaph with labeled edges denoting observed ratings. This representation is especially useful in the setting where additional g
Graph Convolutional Matrix Completion
qq_45312141的博客
09-13 711
Graph Convolutional Matrix Completion1、Revisiting graph auto-encoders 图自编码器1.1 符号定义1.2 Revisiting graph auto-encoders 图自编码器1.3 Graph convolutional encoder 图卷积编码器1.4 Bilinear decoder 双线性解码器1.5 模型训练 1、Revisiting graph auto-encoders 图自编码器 1.1 符号定义 MMM:评分矩阵，维
Graph Convolutional Matrix Completion，GC-MC
05-06 853
文章目录MotivationContributionSolutionEvaluationSummarization Motivation Contribution Solution Evaluation Summarization
GCMC - Graph Convolutional Matrix Completion 图卷积矩阵补全 KDD 2018
知行合一，止于至善
10-25 1万+
文章目录1 相关介绍1.1 背景1.2 side information1.3 contributions1.4 相关介绍自编码器矩阵分解模型Matrix completion with side information2 在二部图中矩阵补全作为一种连接预测2.1 符号定义2.2 Revisiting graph auto-encoders 图自编码器2.3 Graph convolutional...
Neural Inductive Matrix Completion with Graph Convolutional Networks for miRNA-disease Association Prediction
02-11
Neural Inductive Matrix Completion with Graph Convolutional Networks for miRNA-disease Association Prediction
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub...
Batched Sparse Matrix Multiplication for Accelerating Graph Convolutional PPT
08-03
Batched Sparse Matrix Multiplication for Accelerating Graph Convolutional Networks 对图卷积网络进行加速的批量稀疏矩阵乘法 作者的ppt的pdf版本
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
GRAPH CONVOLUTIONAL NETWORKS.pdf
04-04
论文SEMI-SUPERVISEDCLASSIFICATION WITHGRAPHCONVOLUTIONALNETWORKS 发表于ICLR2017
Graph Convolutional Matrix Completion——tensorflow代码理解③内部模型
weixin_40459958的博客
05-09 355
模型准备 占位符 placeholders = { #用户特征矩阵 [I|0] (943, 2625) 'u_features': tf.sparse_placeholder(tf.float32, shape=np.array(u_features.shape, dtype=np.int64)), #电影特征矩阵 [0|I] (1682, 2625) 'v_features': tf.sparse_placeholder(tf.float32, shape=np.array(v_
论文笔记：Graph Convolutional Matrix Completion
qq_44015059的博客
07-17 2421
前言 内容转载自:https://blog.csdn.net/yyl424525/article/details/102747805 仅作为学习笔记之用 论文链接：https://www.kdd.org/kdd2018/files/deep-learning-day/DLDay18_paper_32.pdf github：https://github.com/SongFGH/gc-mc-pytorch(pytorch版本复现) 图卷积神经网络（GCN）是现在深度学习的热点之一，这篇文章基于user-item
Graph Convolutional Matrix Completion——tensorflow代码理解④算法思路
weixin_40459958的博客
05-10 539
虽说在问题背景上，这片模型是基于Geometric matrix completion with recurrent multi-graph neural networks的改进，但究其算法则是采用的Variational graph auto-encoders 是将前者的GCN+LSTM换成了更加整体性的图自编码器 以下自编码器的基础知识来自https://zhuanlan.zhihu.com/p/78340397 本模型的理解参考自https://blog.csdn.net/yyl424525/arti
Graph Convolutional Matrix Completion——tensorflow代码理解①准备部分
weixin_40459958的博客
05-09 356
一.准备工作 import argparse import datetime import time import tensorflow as tf import numpy as np import scipy.sparse as sp import sys import json 1.随机数 seed = int(time.time()) np.random.seed(seed) tf.set_random_seed(seed) 2.设置命令行属性默认值 ap = argparse.Argument
卷积、卷积矩阵（Convolution matrix）与核（Kernel）
weixin_30379973的博客
11-18 659
在图像处理领域，Kernel = convolution matrix = mask，它们一般都为一个较小的矩阵； 用于：Sharpen，Blur， Edge enhance，Edge detect，Emboss（使凸出；在……上作浮雕图案；装饰） 1. 卷积操作与卷积矩阵的等价性 （1）创建一维信号 N = 100; s = zeros(N, 1...
[论文学习]Convolutional matrix factorization for document context-aware recommendation
somTian的博客
05-23 7304
翻译论文Convolutional matrix factorization for document context-aware recommendation
DGL图异构神经网络
weixin_43964189的博客
12-31 5853
DGL图异构神经网络 什么是异构图？ 传统同构图（Homogeneous Graph）数据中只存在一种节点和边，因此在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间。而异构图（Heterogeneous Graph）中可以存在不只一种节点和边，因此允许不同类型的节点拥有不同维度的特征或属性。 这一特点使得异构图的应用十分广泛。事实上，如果用图来描述我们和周围事物的关系就会发现...
Graph(2)--图的实现（邻接矩阵&邻接表 ）
小钊的博客
06-26 2270
本文主要介绍图的两种实现，邻接矩阵与邻接表
图卷积网络（Graph Convolutional Network）
热门推荐
chensi1995的博客
08-16 6万+
一. 图简介，图卷积网络的出现。 图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些问题的解决提供了新的思路。下图就是一个简单的图结构数据： 图上的神经网络，最早由Joan Bruna于2014年在论文Spect...
graph convolutional matrix completion
最新发布
03-16
图卷积矩阵补全是一种基于图卷积神经网络的矩阵补全方法，用于预测缺失的矩阵元素。它将矩阵看作一个图，将矩阵中的每个元素作为节点，利用图卷积神经网络学习节点的嵌入表示，从而预测缺失的元素。...

“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
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