Interest-aware Message-Passing GCN for Recommendation(个人笔记)

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)     

                   https://github.com/PTMZ/IMP_GCN(Pytorch版)


1. 前言

1.1 提出的问题:

(1)现有基于GCN的推荐模型中存在的过度平滑问题。

(2)不加区分地利用高阶邻域会使具有不同兴趣的用户的嵌入变得相似。

(3)聚合邻居信息未考虑是否有交集的爱好,负面信息会严重干扰推荐结果。

1.2 做出的贡献:

(1)我们提出了一个IMP-GCN模型,该模型利用同一子图中的高阶邻居,其中用户节点比其他子图中的节点有更多相似的兴趣。实践证明,该方法能有效地解决过平滑问题。

(2)我们设计了一个子图生成模块来对用户进行分组,并根据用户特征和图结构信息从用户项二部图生成子图。

(3)我们对三个基准数据集进行了实证研究,以评估所提出的IPM-GCN模型。结果表明,IPMGCN可以通过叠加更多层和学习更好的用户/项目嵌入来获得改进,从而大大优于基于SOTA GCN的推荐模型。


2. 模型介绍

2.1 基于GCN模型不同聚合层数的节点平均覆盖率

该图显示出了不同数量的层聚合到图中的所有节点,目标节点在传播中达到的节点数量的平均覆盖率。可以看出,经过6层或7层图卷积后,在嵌入传播中,一个节点几乎可以从所有其他节点接收信息。因此,通过聚集所有连接的高阶邻居的信息,在当前基于GCN的模型中,在叠加更多层后,节点嵌入不可避免地变得相

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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