Neural Graph Collaborative Filtering（NGCF）阅读笔记

forever0827

已于 2024-09-27 20:56:06 修改

阅读量2k

点赞数 53

文章标签：笔记深度学习机器学习

于 2024-07-23 18:54:30 首次发布

本文链接：https://blog.csdn.net/m0_58802684/article/details/140643171

版权

NGCF在协同过滤中使用的图卷积神经网络GCN来使模型可以捕获在user-item交互图中多跳连接的item。

论文链接：https://doi.org/10.1145/3331184.3331267

代码链接：https://github.com/ xiangwang1223/neural_graph_collaborative_filtering

GCN在推荐领域的简要介绍

图的构建

节点（Nodes）：
- 用户（Users）：每个用户是一个节点。
- 项目（Items）：每个推荐项目（如电影、商品等）也是一个节点。
边（Edges）：
- 用户-项目边（User-Item Edges）：边代表用户与项目之间的交互，例如用户观看了一部电影、购买了一个商品或对一个项目进行了评分。
- 边的权重可以反映交互的强度，例如评分值、购买频次等。

特征表示

用户特征（User Features）：
- 用户的属性信息，如年龄、性别、位置、兴趣等。
项目特征（Item Features）：
- 项目的属性信息，如类别、价格、描述等。

模型结构

输入层：
- 用户和项目的初始特征向量。
图卷积层（Graph Convolution Layers）：
- GCN通过消息传递和特征聚合的方式来更新节点的表示。每一层GCN通过以下步骤来实现：
  - 消息传递（Message Passing）：每个用户节点从其连接的项目节点接收信息，反之亦然。
  - 特征聚合（Feature Aggregation）：将接收到的邻居节点的特征与自身特征进行聚合。
  - 非线性变换（Non-linear Transformation）：对聚合后的特征进行非线性变换（例如ReLU激活函数）。
多层GCN：
- 通常使用多层GCN，通过逐层聚合更远距离的节点信息，使得节点表示包含更多全局的信息。

训练过程

损失函数（Loss Function）：
- 常用的损失函数包括交叉熵损失（对于分类任务）或均方误差（对于评分预测）。
优化方法（Optimization Method）：
- 使用梯度下降法（如Adam优化器）来最小化损失函数，更新模型参数。

NGCF核心原理

协同过滤

协同过滤（Collaborative Filtering）是推荐系统中最广泛使用的一种技术，旨在根据用户的历史行为数据（如评分、购买记录等）来进行个性化推荐。其主要思想是利用用户之间或项目之间的相似性来进行预测和推荐。

NGCF核心点

上图是NGCF开山之作中的图片，对于user和item，在其特征编码时，使用了GCN，若只使用一层GCN便可以获得于一跳邻居的交互信息，同理若使用n层GCN便可以获得于n跳邻居的交互信息。原始的编码为 $e_{u1}^{(0)}$ 和 $e_{i4}^{(0)}$ ,而经过一层GCN的 $e_{u1}^{(1)}$ 则有公式

$m_{u<-u}$ 为用户本身的信息，而 $m_{u<-i}$ 是user-item交互图中和user有交互的一跳邻居传来的信息，对应的也可以使用多层GCN，那么便可以结合多跳邻居的信息，都体现在公式最后的那个求和上面。然后通过公式

将其原本的信息和多层GCN得到的结果连接起来（也可以通过LSM,GRU,MAX POOLINNG,将其结合在一起）作为后序预测的编码。对于多跳邻居的结合如下图所示：

同样的如第一张图的NGCF的结构，其每一个user和item都通过了NGCF的框架对嵌入向量进行了改进，除去其本身的特征还加入了相邻和多跳邻居的信息，可以更好的改善推荐效果（对比于随机游走NGCF可以更好的完全捕获多跳邻居的信息）。

以上就是NGCF的创新点，其余的模型预测部分就是点积来预测。

这个方法是19年提出来的，比较经典，以上就是其核心部分，别的部分说的都比较省略，如果需要的话还是看原创文章，本篇文章只介绍其核心创新点。以上纯属个人理解，如有侵权请联系删除。