Light-GCN数据集

已于 2022-10-31 20:48:00 修改
阅读量1.3k 收藏 10
点赞数 7
文章标签： 推荐算法
于 2021-12-29 19:16:57 首次发布
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/qq_29717841/article/details/122218421
版权
本文介绍了Light-GCN在Gowalla数据集上的使用情况，该数据集包含用户签到记录，每个记录包括用户ID、签到时间和地点ID等信息。为了保证数据质量，采用10核心设置，剔除了交互少于10次的用户。数据预处理阶段，只保留User-ID和Location-ID，对不足10个交互的用户进行剔除，并对ID进行重新编排，最终随机划分得到训练和测试数据集。
摘要由CSDN通过智能技术生成

1>关于Light-GCN所使用的数据集----Gowalla

数据内容包括：好友关系数据集和签到数据集（好友关系数据集未使用，以下只介绍签到数据集）

图 1

       在签到数据集中，每个用户的每一次签到记录作为一条记录，签到的具体属性分列表示。每条签到记录包括用户ID（User-ID）、签到时间（Check-in Time）、签到地点的维度（Latitude）、签到地点的经度（Longitude）、以及每个地区的经纬度所唯一对应的地点ID（Location-ID）。其中，用户ID一一对应每个用户，经纬度精确到小数点第六位。

        数据集包括了196586个用户通过签到方式在5977758个地点上共享了6442892条行为信息。该数据记录在图1中的 loc-gowalla_totalVheckins.txt.gz 中。

        因为Light-GCN所使用的数据集与NGCF的数据集相同，NGCF对Gowalla做了相应的处理。为了保证数据集的质量，他们使用了10核心设置，即保留至少有十次交互的用户和项目。

最低0.47元/天 解锁文章
韭菜茁壮成长
关注
  • 7
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
实战三十一：基于LightGCN推荐算法的推荐系统详细教程代码+数据
12-06 1110
实战三十一：基于LightGCN推荐算法的推荐系统详细教程代码+数据
推荐开源项目：LightGCL - 简单高效图对比学习推荐系统
最新发布
gitblog_00087的博客
06-10 353
推荐开源项目：LightGCL - 简单高效图对比学习推荐系统 项目地址:https://gitcode.com/HKUDS/LightGCL 在深度学习应用于推荐系统的世界里，LightGCL 是一个值得关注的开源项目。它基于PyTorch实现，旨在提供一种简单而有效的图对比学习方法，用于提升推荐系统的性能。这个项目源自于2023年国际学习表示大会（ICLR）上发表的论文《LightGCL: S...
【推荐系统学习总结 NCF =＞ NGCF =＞ LightGCN】
Jester 的博客
12-02 2220
001. 推荐算法学习（NCF->NGCF->LightGCN）
LightGCN
Angeliaaa的博客
03-10 5371
简介：本文提出了一种轻型但是有效的GCN网络用于推荐系统，它舍弃了传统GCN的特征变换和非线性激活，并通过实验验证了这两种操作对协同过滤是无效的，同时提出了一种轻量级的GCN网络构建模型（LightGCN）用于推荐系统。 LightGCN它只包含GCN中最基本的结构（邻居聚合）用于协同过滤。LightGCN通过在用户-物品交互矩阵上进行线性传播来学习用户和物品的嵌入，最后将所有层学习到的嵌入的加权和作为最终嵌入。这种简单、线性的模型是很容易实施和训练的，并且在同样的实验条件下相...
关于LightGCN数据的格式
NLP与推荐算法
08-13 1619
本文针对Q群某人的骂街。原文一字不差。如下： ——————分割线—————— 鉴于你对LightGCN比较熟悉，故而以https://github.com/kuandeng/LightGCN该项目为例进行说明。 整体流程想必你已经跑通，如下示例： python LightGCN.py --dataset yelp2018 --regs [1e-4] --embed_size 64 --layer_size [64,64,64] --lr 0.001 --batch_size 2048 --epoch
LightGCN学习笔记
DreamOfDragon的博客
12-14 3378
LightGCN ABSTRACT 1.GCN推荐有效的原因不清楚 2.特征转换和线性激活对协同过滤性能的作用不大，更糟糕的是，包括他们增加了培训的难度，降低了推荐的效果。 作者简化了GCN的设计，lightGCN模型只包含GCN中的邻域聚合部分。具体来说，LightGCN通过在用户-物品交互图上线性传播来学习用户和物品嵌入，并使用在所有层上学习到的嵌入的加权和作为最终嵌入。这种简单、线性和整洁的模型更容易实现和训练，在完全相同的实验设置下，与最先进的基于gcn的推荐模型Neural Graph Colla
第十周.02.LightGCN
老毛的博客
08-12 736
文章目录NGCF回顾First-order Propagationhigh-order connectivityNGCF vs GNNLightGCN摘要3.1 LightGCN3.2 Model Analysis实验 本文内容整理自深度之眼《GNN核心能力培养计划》 公式输入请参考：在线Latex公式 本周主要是讲解GNN简化模型，这个研究方向不是在模型的精度上进行提高，而是把精力放在模型的简化，使得模型精度在不大幅下降的前提下，计算更加简单，模型能处理更加大的数据集。 涉及到的模型有三个：SGCN、Fa
阅读：IA-GCN: Interactive Graph Convolutional Network forRecommendation
qq_43532928的博客
06-24 1058
摘要：近年来，图卷积网络(GCN)已成为一种新型的基于协同过滤(CF)的推荐系统(RS)的新技术。通过在用户-项目二部图上进行嵌入传播来学习信息丰富的用户和项目表示方式，然后根据这些表示方式为用户提供个性化的项目建议。尽管现有算法有效，但在嵌入过程中忽略了用户-项目对之间宝贵的交互特征。当预测用户对不同项目的偏好时，他们仍然以相同的方式聚合用户树，而不强调用户社区中的目标相关信息。这种统一的聚合方案很容易导致用户和项目表示的次优，在一定程度上限制了模型的表达性。在这项工作中，我们通过在每个用户-项对之间建立
Interest-aware Message-Passing GCN for Recommendation(个人笔记)
qq_29717841的博客
04-17 1128
论文：兴趣感知信息传递GCN（WWW.2021） 文章链接：https://arxiv.org/abs/2102.10044 代码链接：GitHub - liufancs/IMP_GCN（原版-tensorflow1.x） GitHub - PTMZ/IMP_GCN: Pytorch Implementation of Interest-Aware Message-Passing GCN for Recommender Systems（Pytorch版） 1. ...
有foursquare和gowalla两个数据集poidata.zip
04-13
有foursquare和gowalla两个数据集poidata.zip
Gowalla数据集
11-30
用于基于地理位置的推荐系统数据集。 After preprocessing, the dataset contains 30,887 users, 18,995 POIs and 860,888 reviews.
Gowalla.zip
02-04
有5个文件夹：locations.csv、network.csv、position_embedding.csv、user_embedding.csv、userlocation.csv 包含有用户签到的用户编号、POI编号、时间戳、经纬度、POI所属的城市编号
matlab美颜代码-gowalla-exp:基于轨迹的gowalla数据集分析和实验
05-24
matlab美颜代码gowalla-exp 基于轨迹的gowalla数据集分析和实验。 背景 这项以戈瓦拉（Gowalla）为中心的实验是使用地理数据推断用户之间的社交力量的一个示例。 该数据集的一个优点是它提供了可以用作友谊关系的基础事实的在线社交网络。 档案结构 我的模拟代码遵循我个人一贯的风格。 src-所有Java仿真程序 matlab-所有的matlab绘图脚本 python-所有中间日期过程脚本 sqlscirpts-（不建议使用）在模拟器编码的开头，我计划使用MySQL数据库。 但是后来我放弃了这个想法。 img-（不建议使用）Java生成的一些png图像 所有其他折叠和txt文件都包含中间模拟结果 维基项目 现在这个项目有一个。 它说明了每个组件的功能，并提供了一个复制实验结果的演练。
数据挖掘 数据集
12-08
数据挖掘数据集，大家可以在这些数据上进行挖掘
LightGCN：用于推荐任务的简化并增强的图卷积网络 SIGIR 2020
热门推荐
u013602059的专栏
08-04 2万+
论文链接：https://arxiv.org/abs/2002.02126 代码链接：https://github.com/gusye1234/LightGCN-PyTorch 论文来源：SIGIR 2020 摘要 图卷积网络(GCN)已经成为协同过滤的最新技术。然而，对于推荐的有效性的原因却没有很好地解释。现有的将GCN用于推荐的工作缺乏对GCN的深入消融分析，GCN最初是为图分类任务而设计的，并配备了许多神经网络操作。然而，我们实证发现，两种最常见的设计-特征转换和非线性激活-对协同过滤的性能贡献很小.
使用LightGCN实现推荐系统（手撕代码+分析）
weixin_44905312的博客
08-03 1万+
LightGCN代码分析
实战三十一：基于LightGCN推荐算法的推荐系统详细教程（代码+数据）
机器学习深度学习业余选手
12-06 2660
实战三十一：基于LightGCN推荐算法的推荐系统详细教程（代码+数据）
st-gcn训练自己的数据集
09-14
要训练ST-GCN模型使用自己的数据集，你可以按照以下步骤进行操作： 1. 准备数据集：首先，你需要准备一个包含动作示例的数据集。这个数据集可以是你自己收集的，也可以是从其他来源获取的。确保数据集中的每个示例都包含一个动作的骨骼姿势信息和相应的标签。 2. 提取骨骼姿势：使用AlphaPose或其他类似的工具从视频中提取骨骼姿势。确保你的数据集中包含了每个动作示例的骨骼姿势序列。 3. 标记动作帧：对于每个动作示例，手动标记每个动作帧的标签。这将帮助模型学习动作的时序信息。 4. 数据预处理：对数据集进行预处理，包括将骨骼姿势序列转换为适合ST-GCN模型输入的格式。你可以根据ST-GCN的要求进行相应的处理，比如调整帧数、归一化等。 5. 构建训练集和验证集：将数据集划分为训练集和验证集。训练集用于训练模型的参数，验证集用于评估模型的性能和调整超参数。 6. 训练ST-GCN模型：使用训练集对ST-GCN模型进行训练。你可以使用已经预训练的Tiny-YOLO oneclass-和SPPE模型作为基础模型，然后在此基础上进行微调。 7. 调整超参数：根据验证集的性能，调整模型的超参数，比如学习率、批大小等，以进一步提高模型的性能。 8. 评估模型：使用验证集对训练好的模型进行评估，计算模型在动作识别任务上的准确率或其他指标。 9. 应用模型：一旦模型训练完成并通过验证集的评估，你可以将该模型应用于新的未见过的数据上，进行动作识别任务。 请注意，在训练自己的数据集时，你需要确保数据集的质量和多样性，以获得更好的模型性能。此外，你还可以参考引用中提供的文章链接，了解更多关于ST-GCN模型训练自己的数据集的详细步骤。
评论 9
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