2021-KDD-MixGCF: An Improved Training Method for Graph Neural Network-based Recommender Systems

最新推荐文章于 2022-04-18 20:31:55 发布
最新推荐文章于 2022-04-18 20:31:55 发布
阅读量362 收藏
点赞数 1
分类专栏： 推荐系统 文章标签： 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_38119106/article/details/123649440
版权
MixGCF是一种改进的图神经网络(GNN)训练方法，用于推荐系统。它通过positive mixing和hop mixing技术生成hard负样本，提升模型性能。positive mixing将正样本信息注入负样本，而hop mixing则提取负样本的独特信息。实验设置和相关工作探讨了基于GNN的推荐和负采样策略，如PinSage、GC-MC、NGCF、LightGCN等。
摘要由CSDN通过智能技术生成

MixGCF: An Improved Training Method for Graph Neural
Network-based Recommender Systems

2021-KDD 清华唐杰老师

利用u-i图结构和GNN的聚合过程来研究GNN-CF中的负采样。提出了MixGCF，设计了hop mix技术来合成hard负样本。
在这里插入图片描述

3 THE MIXGCF METHOD

在这里插入图片描述

  • positive mixing：插值混合法，将正样本中的信息注入到负样本，make hard 负样本
  • hop mixing：使用hard负样本策略提取 unique information 从每一个生成的负样本，然后pooling
3.1 Positive Mixing

在这里插入图片描述

3.2 Hop Mixing

最低0.47元/天 解锁文章
Dive_
关注
专栏目录
GNN 2021(七) GraphMix: Improved Training of GNNs for Semi-Supervised Learning，AAAI
qq_36618444的博客
04-21 1020
其实本文就是与ICLR19年发表的一篇论文Manifold Mixup做了一个结合，利用Manifold Mixup提出了一种基于半监督节点分类的图神经网络正则化方法，通过参数共享和基于插值的正则化，与图神经网络共同训练全连接网络。最主要的难点在于从理论上分析了GraphMix如何改进底层图神经网络的泛化边界，而没有对图神经网络的聚合层数或深度做任何假设。本文的方法也可以与一些基线模型相结合，比如GCN，GAT，Graph-U-Net等。为了简化我们暂时不看大量的公式证明，直接看Mixup数据增强的思想如.
【论文笔记KDD2021】MixGCF: An Improved Training Method for Graph Neural Network-based Recommender Systems
发现问题，并解决问题，批判性思维
08-04 715
论文题目：MixGCF: An Improved Training Method for Graph Neural Network-based Recommender Systems论文链接：http://keg.cs.tsinghua.edu.cn/jietang/publications/KDD21-Huang-et-al-MixGCF.pdf论文代码：https://github.com/huangtinglin/MixGCF论文作者：Tinglin Huang，唐杰老师等人。............
MixGCF: An Improved Training Method for Graph NeuralNetwork-based Recommender Systems（个人笔记）
qq_29717841的博客
04-18 914
论文：MixGCF：一种改进的基于图神经网络的推荐系统训练方法（KDD.2021） 文章链接：MixGCF | Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining 代码链接：https://github.com/huangtinglin/MixGCF （Pytorch版） 1. 前言 1.1 提出的问题 a. 推荐模型中广泛使用的 CF 存在的一大弊端就是不能很好的学习到隐式负
[sampling] MixGCF: An Improved Training Method for Graph Neural Network-based Recommender Systems
07-05 1116
Info： 本文首发于公众号：code路漫漫 欢迎关注 KDD2021采样相关的文章 代码已经开源： huangtinglin/MixGCF ​ github.com 图标 文章提出了一种新的采样方法，使用该方法生成的负样本能让推荐效果更好 这里从文章里面补充一下推荐系统采样相关的知识： 首先数据集是implicit dataset，只有交互记录，没有交互的评分、评论等反映偏好等信息。在该数据集中，所有交互过的行为统一视为正样本，没有发生过交互的物品（往往很多）可以采样出一部分作为负样本。 和正样本相似的负
MixGCF: 一种改进的基于图神经网络的推荐系统训练方法 （KDD 21）
weixin_50180730的博客
07-05 1308
核心问题： 基于gnn的CF中的负采样在很大程度上尚未被探索，利用用户-项目图结构和gnn的聚合过程来研究负抽样，我们不是从数据中取样原始负样本，而是采用一种hop mixing技术对原始负样本进行处理，然后还是会利用聚合过程获得多层信息，最终来合成得到可靠的新负样本，使其与正样本更加相似，以达到更好的训练区别正负样本边界的效果 具体实现： 具体来说， 整体实现框架是： 首先我们是可以拥有原始的负样本（即未被观察到的items都可以被看作负样本且一般方法都是随机抽样得到负样本）本文通过mixin.
图神经网络用于推荐系统问题（SURGE，GMCF，TASRec，MixGCF）
nakaizura
11-25 4807
本篇文章继续整理这个系列Graph in Rec 的文章，以前博主整理过的系列可以见： 图神经网络用于推荐系统问题（PinSage，EGES，SR-GNN） 图神经网络用于推荐系统问题（NGCF，LightGCN） 图神经网络用于推荐系统问题（IMP-GCN，LR-GCN） 这次更新最近SIGIR2021，博主自己刷过觉得还不错的几篇文章。分搜索和推荐两篇博文整理吧，这篇是关于推荐的三篇文章。 图神经网络用于检索问题（GraphCM，FNPS，GRAPH4DIV） Sequential Recom
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4133
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
【GCN-RS】难负采样：MixGCF (KDD‘21)、Simplify and Robustify Negative Sampling (NIPS‘20)
chadlee
11-19 867
RS的Hard Negative与False Negative 负采样肯定是要采信息量大的Hard Negative样本，但是在RS场景中，unlabelled 样本并不等价于负样本，可能是还没有曝光给用户的样本。所以Hard Negative样本有可能是False Negative。所以过采样Hard Negative有可能引入False Negative。 Simplify and Robustify Negative Sampling for Implicit Collaborative Filter
KDD'21 | FaceBook ：基于图的负采样方法
Kaiyuan_sjtu的博客
11-11 718
MixGCF: An Improved Training Method for Graph Neural Network-based Recommender Systemshttps://...
Efficient and Effective: 百篇论文概览负采样方法的前世今生
abcdefg90876的博客
12-30 1159
Efficient and Effective: 百篇论文概览负采样方法的前世今生 © 作者｜徐澜玲研究方向｜推荐系统引言：负采样方法最初是被用于加速 Skip-Gram 模型的训练...
KDD2021推荐系统论文集锦
abcdefg90876的博客
07-01 1619
一年一度的知识发现与数据挖掘顶级会议SIGKDD将于8月14日至18日在线上举行。据统计，今年共有1541篇有效投稿，其中238篇论文被接收，接收率为15.44%，相比KDD2020的接收...
图神经网络，如何变深？
人工智能学家
08-18 1115
来源：智源社区版式制作：Camel撰文：侯振宇编辑：贾 伟现实世界中很多很多任务可以描述为图(Graph)问题，比如社交网络，蛋白质结构，交通路网数据，图是一个很值得研究的领域。近年来...
论文阅读:MIX: Multi-Channel Information Crossing for Text Matching(KDD2018)
RUCblake的博客
07-28 1436
今天同样读了一篇文本匹配相关的论文，提出了一个多通道信息融合的方法，文章提出这个模型的动机主要有以下几点： 1、在局部信息匹配过程中，为了考虑到单个词语匹配过程中存在的不准确性（比如文中提到的hard work\work hard以及all in\in all这两个词组，同样是颠倒了一下词序，前者语义相近，而后者语义完全不同，这说明匹配过程中不能仅以单个词语为单位），文中引入了unigram,b...
CVPR2020论文分方向整理之检测篇_3D目标检测（代码/论文解读/136篇打包下载）
热门推荐
胭脂草的ABC博客
08-06 1万+
CVPR2020论文分方向整理之检测篇（代码/论文解读/136篇打包下载） 本周三，CVPR官方正式开放下载，极市第一时间将所有论文（共1467篇）进行了下载打包，详情见此处。为了方便大家进一步的学习，我们对这1467篇论文进行了整理，本次分享的是所有检测类论文，并将它们细分为3D目标检测、人脸检测、动作检测、视频目标检测、文本检测、行人检测等方向，同时附上了相关解读和已开源论文的代码，共计149篇，并将其打包，获取方式见文末。 3D目标检测 【1】Learning Deep Network...
会话/序列推荐：Caser、SASRec、BERT4Rec [Session based / Sequential Recommendation]
Dive的博客
07-14 2997
目录Caser3 模型3.1 嵌入层3.2 卷积层3.3 全连接层3.4 训练3.6 与一些模型的关系 Caser 2018-WSDM-Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding 卷积序列推荐模型Caser，使用CNN从近期items序列中以局部特征的方式提取序列模式。 3 模型 为了捕获 用户的整体偏好和序列模式 联合级别和单独级别的i2i skip行为连接 3.1 嵌入层 use
EGES模型
Dive的博客
03-07 1845
目录2 FRAMEWORK先验知识——图嵌入框架+DeepWalk从用户行为构造物品图基础图嵌入带有side info的图嵌入加强版的带有side info的图嵌入5 RELATED WORK图嵌入带有side info的图嵌入用于RS的图嵌入 可伸缩性、稀疏性、冷启动 方法基于图嵌入框架，从用户序列构造出item图，学习到item的嵌入。为了解决稀疏性和冷启动问题，将side info也利用到图嵌入框架中。 2 FRAMEWORK 先验知识——图嵌入框架+DeepWalk 通过随机游走得到节点序列，ski
Neural Collaborative Filtering
Dive的博客
01-06 1749
目录2 PRELIMINARIES3. NEURAL COLLABORATIVE FILTERING3.1 通用框架3.2 广义矩阵分解(GMF)3.3 MLP3.4 GMF和MLP的聚合—NeuMF4 EXPERIMENTSQ1 NCF的效果比其他SOTA的隐式CF好吗？Q2 带有负采样的log loss（这个优化框架）是否适用于RS？Q3 更深的网络对于从交互数据中学习 有帮助吗？ 核心：内积的局限性，用神经结构代替内积。实验表明，使用更深层次的神经网络提供了更好的推荐性能。 2 PRELIMINAR
自适应Jaya优化在NSL-KDD入侵检测系统特征选择中的应用
"这篇研究论文探讨了在NSL-KDD数据集上应用自适应Jaya优化技术进行入侵检测系统（IDS）特征选择的问题。随着智能设备和互联网的普及，网络流量大幅度增长，使得入侵检测变得至关重要。特征选择是提高IDS性能的关键...
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