【论文笔记】KG+GCN+RS

最新推荐文章于 2022-05-31 18:18:00 发布
最新推荐文章于 2022-05-31 18:18:00 发布
阅读量344 收藏
点赞数
分类专栏： 知识图谱 文章标签： 知识图谱 推荐系统
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_37492509/article/details/115027261
版权

Knowledge Graph Convolutional Networks for Recommender Systems

论文地址
仅做学习草稿。欢迎交流
目的：计算得到 y ^ u , v \hat y_{u,v} y^​u,v​，即推荐概率

符号定义符合常规

方法

KGCN Layer

计算得到关系r对u的重要程度

在这里插入图片描述

进一步表示v的拓扑邻近结构

在这里插入图片描述

上述的用户关系分数在计算实体邻居表示时作为个性化过滤器。

由于实体数量级大，采样的邻居为固定大小而不是全部邻居。感受野的计算

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

为了提高计算效率，在训练时采用负采样，损失函数如下

为了提高计算效率，在训练时采用负采样，损失函数如下

在这里插入图片描述

球球offer
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【GCN-RS系列汇总】十三篇文章、十六个模型梳理图神经网络协同过滤模型（附代码实现）
chadlee
03-21 1077
整理了博客已有的GCN-RS的文章，持续更新中。 一、【基础知识：DeepWalk、Node2Vector、GCN】 二、【经典工作：NGCF、LightGCN、LR-GCCF】 三、【多行为推荐：MBGCN】 四、【多关系推荐：GHCF】 五、【对比学习SGL】 六、【Item-KNN + WMF = UltraGCN】 七、【也是KNN算法：How Powerful GCN RS】 八、【YouTubeNet、MF又一春：SimpleX】 九、【GCN的难负样本：MixGCF】 （附赠Simplify
【GCN-RS】基础知识：DeepWalk、Node2Vector、GCN
chadlee
11-18 993
Graph Learning Method 先从Graph基础知识讲起 DeepWalk 算法可以分为四步： 图a展示了原始的用户行为序列 图b基于这些用户行为序列构建了物品相关图，可以看出，物品A，B之间的边产生的原因就是因为用户U1先后购买了物品A和物品B，所以产生了一条由A到B的有向边。如果后续产生了多条相同的有向边，则有向边的权重被加强。在将所有用户行为序列都转换成物品相关图中的边之后，全局的物品相关图就建立起来了。 图c采用随机游走的方式随机选择起始点，重新产生物品序列。 图d最终将这些物品序
rs与kg的简单结合
qq_39643868的博客
03-20 535
CKE Zhang F, Yuan N J, Lian D, et al. Collaborative knowledge base embedding for recommender systems[C]// KDD, 2016: 353-362. 问题：给用户推荐 一个商品列表， 评价指标是使用Map@K: Recall@K 。 总览 使用item各种外部辅助信息来融合到CF中， 包含: 结...
KGCN_基于知识图谱的推荐系统（KG+GCN）
Caster_X的博客
08-20 2万+
Knowledge Graph Convolutional Networks for Recommender Systems Hongwei Wang, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo. In Proceedings of The 2019 Web Conference (WWW 2019)
[进行中...]KG&GCN/异构图GCN
SARACH_WONG的博客
07-30 2324
文章目录gcn简介Knowledge Graph Convolutional Networks for Recommender Systems方法Propagation聚合(aggregate)过程预测目标损失函数伪码实验其他困惑tipsKGAT: Knowledge Graph Attention Network for Recommendation方法Information Propagati...
【GCN+KG】基于知识图谱和图卷积神经网络的应用和开发
zenRRan的博客
09-03 6596
来自：Microstrong本文概览：1. 图卷积背景和基本框架1.1 图算法介绍我们都知道在数据结构中，图是一种基础且常用的结构。现实世界中许多场景可以抽象为一种图结构，如社交网络、交...
图卷积算法+交通流预测+GCN
01-11
图卷积算法+交通流预测+GCN 图卷积算法是指在图结构数据上应用卷积神经网络（CNN）的技术，旨在学习图数据的表示和模式识别。与传统的CNN不同，图卷积算法需要处理非欧几里德空间的图数据，例如社交网络、交通网络...
ResNet+LSTM+GCN 城市轨道交通短期客流预测
12-18
面向城市轨道交通短期客流预测的深度学习架构代码（ResNet+LSTM+GCN ） 代码框架：Keras+Tensorflow 主要实现内容： 提出了一种深度学习架构，结合残差网络（ResNet）、图卷积网络（GCN）和长短期记忆（LSTM）（称为...
基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python源码+手势数据集.zip
最新发布
04-11
基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python源码+手势数据集.zip基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python源码+手势数据集.zip基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python...
基于CNN+RNN+GCN+BERT的中文文本分类Python实现源码（高分课设）.zip
11-16
基于CNN+RNN+GCN+BERT的中文文本分类Python实现源码（高分课设）.zip 这是95分以上高分必过课程设计项目，下载即用无需修改，确保可以运行。也可作为期末大作业。 基于CNN+RNN+GCN+BERT的中文文本分类Python实现...
GCN 邻接矩阵的处理.pdf
06-14
gcn邻接矩阵的处理，普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效
paper—HAWK: Rapid Android Malware Detection Through Heterogeneous Graph Attention Networks
weixin_43872455的博客
05-31 1201
通过异构图形注意网络快速检测Android恶意软件 摘要 Android每天都在遭受前所未有的恶意威胁，但现有的恶意软件检测方法往往无法应对恶意软件中不断演变的伪装。为了解决这个问题，我们提出了HAWK，这是一个用于进化Android应用程序的新恶意软件检测框架。我们将Android实体和行为关系建模为异构信息网络（HIN），利用其丰富的语义元结构来指定隐含的高阶关系。创建一个增量学习模型来处理动态显示的应用程序，无需重建整个HIN和后续嵌入模型。该模型可以快速确定新应用程序与样本应用程序之间的接近程度
图卷积网络(GCN)简单理解
外婆家的大灰狼
02-07 3263
1. 预备知识 1.1 图网络的种类、区别和联系 Graph Embedding Graph Embedding指图嵌入，属于表示学习的范畴，也可以称为网络嵌入、图表示学习、网络表示学习等等。 具体可以参考博主之前整理的关于图嵌入相关内容的资料：链接。 Graph Neural Network (GNN) GNN指神经网络在图上应用的模型的统称，根据采用的技术不同和分类方法的不同，又可以分为很多不...
R-GCN关系图卷积神经网络实战总结
lixh2100的博客
04-25 5658
R-GCN 关系图卷积神经网络链路预测任务论文复现总结 今天给大家带来的是R-GCN关系图卷积神经网络实战总结。这篇总结是参考于图神经网络的经典论文 Modeling Relational Data with Graph Convolutional Networks 及作者源码的基础上完成的，使用的脚本语言为python，深度学习框架TensorFlow2.1。 开始前的一些说明 本论文包含的实际任务有两个，一个实体分类任务（Entity Classification），另一个是链路预测任务（Link Pr
【GCN-RS】经典工作：NGCF、LightGCN、LR-GCCF（代码实现）
chadlee
11-18 2137
NGCF：Neural Graph Collaborative Filtering (SIGIR’19) 前文GCN中的邻接矩阵AAA可以表征数据之间的关联，在这里换了一个说法，叫做“CF signal”。 假设用户为uuu，物品为iii，我们可以画出user-item的二部图，同时根据二部图可以将u1u_1u1​的高维连接表示出来，如下图所示: 模型框架主要有三个部分组成： Embedding Layer：提供初始的user embedding 和 item embedding Multiple Em
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导
热门推荐
知行合一，止于至善
08-24 15万+
文章目录1. 为什么会出现图卷积神经网络？2. 图卷积网络的两种类型2.1 vertex domain(spatial domain)：顶点域（空间域）2.2 spectral domain：频域方法（谱方法）3. 什么是拉普拉斯矩阵？3.1 常用的几种拉普拉斯矩阵普通形式的拉普拉斯矩阵对称归一化的拉普拉斯矩阵（Symmetric normalized Laplacian）随机游走归一化拉普拉斯矩...
知识图谱用于推荐系统问题（MKR，KTUP，KGAT）
nakaizura
05-29 9086
前一篇文章介绍了知识图谱用于推荐系统问题（CKE，RippleNet），这一篇博文目整理对KG和RC融合的更加深入的两篇文章MKR，KTUP。MKR利用一个Cross单元使两者融合，KTUP则是相互补全相互增强的思路。 Multi-task Learning for KG enhanced Recommendation (MKR) 交替学习文章以更好的融合KG和RC。模型图如下： 左边是推荐任务。用户和物品的特征表示作为输入，预测点击率y 右边是知识图谱任务。三元组的头结点h和关系r表示作为输入，预测
利用图神经网络进行的知识图谱补全综述
UpUp的博客
12-20 5006
A Survey on Graph Neural Networks for Knowledge Graph Completion-论文阅读笔记前言二级目录三级目录 作者：Siddhant Arora 单位：Indian Institute of Technology Delhi 联系方式：siddhantarora1806@gmail.com 前言 最近在看图谱补全相关的内容，现在比较多的方向是采用图嵌入的方式进行学习，这篇论文综述了图神经网络在补全上的应用，值得读一读 二级目录 三级目录 ...
知识图谱补全（张量图学习-链路预测）
UpUp的博客
01-30 3006
【论文笔记】Tensorial graph learning for link prediction in generalized heterogeneous networks重点主要贡献点三级目录 论文地址：paper 重点 本文是在广义的异构网络上的一个张量图学习，用于链路预测。在具体操作中知识图谱的补全常常成为链路预测任务，本文的重点在于通过引入节点和边张量来构造张量图。 主要贡献点 提出一种新型图，张量图 与异构网络的多图、超图和其他表示相比，新引入的张量图在扩展到张量n-部图以表示节点异质性和将
alphapose +gcn
09-11
AlphaPose是一种人体姿势估计算法，它通过使用全卷积神经网络模型来准确地检测和估计人体的关节点位置。AlphaPose使用了一个Hourglass网络架构，该网络在多个分辨率上进行自下而上的关节检测。它通过逐步下采样和上采样操作，从全身图像中逐渐提取特征，以得到各个关节点的位置。同时，AlphaPose还使用前后推理策略来提高关节点的准确性。 GCN（Graph Convolutional Network）是一种基于图像结构的卷积神经网络。它能够在图像中学习到图的结构信息，并在此基础上进行图像分类或其他任务。GCN通过卷积操作来融合每个图像节点的邻居节点特征，以此来获取每个节点的特征表示。与传统的卷积神经网络相比，GCN能够通过考虑节点之间的连接关系来提高特征提取的准确性。 结合起来，AlphaPose GCN是将AlphaPose和GCN两种方法结合起来应用于姿势估计任务。采用AlphaPose来准确地检测人体关节点，然后利用GCN来学习关节点之间的结构关系，从而更好地估计人体姿势。通过综合利用图像特征和关节点结构信息，AlphaPose GCN能够在姿势估计任务中取得更优秀的效果。

“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