【推荐算法论文阅读】Neural Graph Collaborative Filtering

最新推荐文章于 2024-04-05 14:59:32 发布
最新推荐文章于 2024-04-05 14:59:32 发布
阅读量2k 收藏 8
点赞数 1
分类专栏： 推荐算法 文章标签： 推荐算法 机器学习 人工智能
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_36643449/article/details/123558209
版权

一、背景

协同过滤学习模型从项目的丰富侧面信息中学习的深层表示来扩展MF嵌入功能；神经协同过滤模型则用非线性神经网络取代内积的MF交互函数。

以上的方法都是有效的，但是却无法为CF提供合适的嵌入，这是因为缺少一个协同信号（它潜伏在用户与项目之间的交互中，以揭示用户(或项目)之间的行为相似性。）更具体的是，现有的大多数方法只使用描述性的特性(例如id和属性)构建嵌入功能，而不考虑用户-项目的交互，这些功能只用于定义模型训练的目标函数。因此必须依赖交互功能弥补次优嵌入的不足。虽然直接地使用交互功能能弥补次优嵌入的不足，但是在实际开发中，交互的规模可以容易地达到数百万甚至更大，使得难以提取期望的协作信号。所以在这项工作中，我们解决了所有问题，通过利用来自用户项目交互的高阶连通性，在交互图形结构中对协作信号进行编码的方式。

请添加图片描述

图 1 说明了高阶连通性的概念。 图1左边所示的为协同过滤用户-项目交互的基本交互图，双圆圈表示需要预测的用户u1，右图为左图以用户u1为根节点扩展的树形结构，l为到达用户u1的路径长度（可以作为兴趣重要度的权重值）。高阶连通性表示从路径长度 l 大于 1 的任何节点到达 u1 的路径。这种高阶连通性包含了承载协同信号的丰富语义。 例如，路径 u1 ← i2 ← u2 表示 u1 和 u2 之间的行为相似性，因为两个用户都与 i2 进行了交互； 较长的路径 u1 ← i2 ← u2 ← i4 表明 u1 很可能采用 i4，因为之前类似的用户 u2 有消费过 i4。此外，从 l = 3 的整体来看，同路径长度为3的项目i4、i5中，明显用户对i4的兴趣度高于i5，这是因为<i4,u1>连接的路径有两条，分别为i4->u2->i2->u1、i4->u3->i3->u1，而<i5,u1>则只有一条，为i5->u2->i2->u1。

本文提出了嵌入函数中高阶连通性信息的建模方法.而不是将交互图扩展为一棵复杂的树。本论文设计了一种在图上递归传播的神经网络方法，受最近发展的图神经网络的启发，可以看作是在嵌入空间中构造信息流。
通过在神经网络中，插入一个嵌入传播层，它通过聚合交互项(或用户)的嵌入来细化用户(或项)的嵌入。叠加多重嵌入传播层，我们可以强制嵌入，以捕获协作信号的高阶连通性.

以图1为例，堆叠两层捕获u1←i2←u2的行为相似性，堆叠三层捕获u1←i2←u2←i4和潜在的信息流的强度(由层间的大小估计权重值)确定i4和i5的推荐优先级。

二、模型结构

请添加图片描述
模型结构如图2所示，模型由embedding层、embedding传播层和预测层组成：

  1. 嵌入层：提供用户嵌入和项目嵌入初始化;
  2. 多嵌入传播层：通过注入高阶连通性关系来细化嵌入;
  3. 预测层：整合来自不同传播层的细化嵌入，输出用户-项目对的相似度得分。

2.1 embedding层

用嵌入向量 e u ∈ R d ( e i ∈ R d ) e_u∈R^d (e_i∈R^d) eu​∈Rd(ei​∈Rd) 来描述用户 u (项目 i )，其中 d 表示嵌入大小。这可以看作是构建一个参数矩阵作为嵌入查找表：
E = [ e u 1 ， ⋅ ⋅ ⋅ ， e u N , e i 1 ， ⋅ ⋅ ⋅ ， e i M ] E = [e_{u1}，···，e_{uN}, e_{i1}，···，e_{iM}] E=[eu1​，⋅⋅⋅，euN​,ei1​，⋅⋅⋅，eiM​]

2.2 embedding传播层

直观上，与用户交互过的项目可以体现用户的偏好，类似的，与项目交互过的用户也可以看作是项目的特性，并且可以用于度量两个项目之间的协同相似性。在GNN消息传递体系结构的基础上，根据图的结构捕获CF信号和细化用户和项目的嵌入。

2.2.1 一阶传播

对于连接的用户-项目对 (u,i)，我们将 i 到 u 的消息定义为：
m u ← i = f ( e i , e u , p u i ) \mathbf{m}_{u \leftarrow i}=f\left(\mathbf{e}_{i}, \mathbf{e}_{u}, p_{u i}\right) mu←i​=f(ei​,eu​,pui​)
其中 m u ← i m_{u←i} mu←i​ 是消息嵌入（即要传播的信息）。 f (·) 是消息编码函数，它以嵌入 e i e_i ei​ 和 e u e_u eu​ 作为输入，并使用系数 p u i p_{ui} p

最低0.47元/天 解锁文章
CC‘s World
关注
专栏目录
Neural Graph Collaborative Filtering
Dive的博客
01-13 969
目录2 METHODOLOGY 2 METHODOLOGY
【论文笔记】Neural Graph Collaborative Filtering
qq_42924581的博客
10-25 635
《Neural Graph Collaborative Filtering 》论文学习 文章目录《Neural Graph Collaborative Filtering 》论文学习摘要一、介绍二、NGCF2.1 Embedding Layer2.2 Embedding Propagation Layers单层传播层多层传播层2.3 Model Prediction3 实验4 总结 摘要 1、作者认为，通过user、item的ID、属性映射得到的embedding缺失了他们的交互过程，因此不足以捕捉协同
论文阅读：Neural Graph Collaborative Filtering
qq_43431934的博客
03-03 535
论文阅读：Neural Graph Collaborative Filtering 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理： 在user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量，用户向量和项向量的内积来预测评分。 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Socia
论文笔记：Neural Graph Collaborative Filtering
qq_44015059的博客
07-20 1254
前言 论文链接：https://arxiv.org/abs/1905.08108 github：https://github.com/talkingwallace/NGCF-pytorch 参考：https://www.jianshu.com/p/16c8973ef8ff https://zhuanlan.zhihu.com/p/110682271 https://blog.csdn.net/weixin_37913042/article/details/99712729 CF方法： 协同过滤学习模型从项
【论文笔记】Neural Graph Collaborative Filtering --- SIGIR2019
weixin_44884854的博客
10-11 1690
本文提出了一个基于图结构的新型推荐系统模型NGCF。它通过在用户-物品图中建立高阶连通性表达模型，把协同信号显式的注入了用户（物品）的embeddings过程中。 摘要 学习向量表示（embeddings），用户和项目的嵌入性是现代推荐系统的核心。从最初的矩阵分解到最近出现的基于深度学习的方法，都是从先前存在的特征来表示用户（物品）的嵌入。这些方法的一个固有缺点是协同信号（collaborative signal），在用户和物品的交互中式隐藏的，在嵌入过程中没有被编码。这样，最后的嵌入可能不足够获.
论文笔记（Neural Graph Collaborative Filtering）
CICI❤️的博客
08-19 7365
神经图协同过滤 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理：在 user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Social...
论文解析：Neural Graph Collaborative Filtering
da_kao_la的博客
03-11 1160
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...
NGCF:Neural Graph Collaborative Filtering
最新发布
Guozyan的博客
04-05 1959
近邻信息对嵌入学习有一定帮助；建模高阶连通性或邻居有积极的影响；利用高阶连通性可以大大提高非活跃用户的表示学习，因为可以更有效的捕捉协作信号，于是在解决数据稀疏方面是有希望的。下一步可以加入注意力机制。
推荐算法论文
08-23
一种推荐算法论文，文章写的很好，联合矩阵分解的推荐算法
第九周.01.Neural Graph Collaborative Filtering
老毛的博客
08-03 438
文章目录CF+GNN的原理模型框架论文泛读摘要Introduction其他内容 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 论文：Neural Graph Collaborative Filtering PPT 代码 别人的翻译：https://www.jianshu.com/p/95da9785bea8 发表在19年的信息检索顶会SIGIR（International Conference on Research and Development in Inform
Neural Graph Collaborative Filtering（NGCF）学习笔记
DreamOfDragon的博客
12-09 8178
Neural Graph Collaborative Filtering INTRODUCTION 可学习CF模型有两个关键组成部分： 1.embedding 嵌入：它将用户和项目转换为矢量化表示 2.interaction modeling 交互建模：它基于嵌入重建历史交互 矩阵分解(MF)直接将用户/项目ID嵌入为一个向量，并用内积对用户-项目交互进行建模[20]；协同深度学习通过整合从项目丰富的边信息中学习到的深度表示，扩展了MF嵌入功能[30]；神经协同过滤模型用非线性神经网络代替内积的MF交互作用
2019_SIGIR_Neural Graph Collaborative Filtering
weixin_46645827的博客
03-03 1372
[论文阅读笔记]2019_SIGIR_Neural Graph Collaborative Filtering 论文下载地址： https://doi.org/10.1145/3331184.3331267 发表期刊：SIGIR Publish time: 2019 作者及单位: Xiang Wang National University of Singapore xiangwang@u.nus.edu Xiangnan He∗ University of Science and Technology
神经图协同过滤（Neural Graph Collaborative Filtering）
xianfishY的博客
11-25 2294
神经图协同过滤（NGCF） 文章目录神经图协同过滤（NGCF）前言一、简介二、理论1.模型图2.嵌入层3.嵌入传播层3.1一阶传播3.2高阶传播4.模型预测5.优化实验1.数据集描述2.实验设置四.结果 前言 Embedding是现代推荐系统的核心。 从早期的矩阵分解到最近的基于深度学习的方法，都是通过映射用户(或物品)的已存在的特征(例如ID)来获得用户(或物品即项目)的嵌入向量。 这种方法的一个固有缺陷是：用户-物品交互中潜在的协作信号没有被编码到嵌入向量中。 因此，所得到的嵌入可能不足以捕捉协同
neural graph collaborative filtering
03-16
神经图协同过滤（Neural Graph Collaborative Filtering）是一种基于神经网络的推荐算法，它将用户和物品之间的关系建模为一个图，利用图神经网络来学习用户和物品的嵌入向量，从而进行推荐。相比传统的协同过滤算法，神经图协同过滤可以更好地处理稀疏数据和冷启动问题，提高推荐的准确性和效率。
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