题记
关于Wu2021_SIGIR_paper_Self-supervised graph learning for recommendation》这篇文章已经有很多大神整理过了,具体可见
【Self-supervised graph learning for recommendation-自监督图学习增强的推荐。我在这里就不详细阐述,在看论文时对文中理论分析部分有疑问。在网上没有查阅到相关资料,在请教师兄后才得以解决,特作此笔记,希望能帮助到有同样疑惑的小伙伴。
对文中公式14到15进行推导
对文中公式16进行解析
对 g ( x ) g(x) g(x)求导为0,求得 x ∗ = ( τ 2 + 4 − τ ) / 2 x^{*}=(\sqrt {{\tau}^2+4}-\tau)/2 x∗=(τ2+4−τ)/2
分母不为0,
e
x
/
τ
e^{x/\tau}
ex/τ不为0,令分子为0得:
又因为x是属于[-1,1],所以
x
∗
=
(
τ
2
+
4
−
τ
)
/
2
x^{*}=(\sqrt {{\tau}^2+4}-\tau)/2
x∗=(τ2+4−τ)/2(另外一个解不在x的值域内)
对文中公式20进行补充说明
第一步到第二步运用两个矩阵乘法求导法则
第二步到第三步实际上是向量对张量求导
参照参考博文3——SGL的Github作者答疑,作者讲他们是用的分子布局法(矩阵演算存在分子布局法和分母布局法,具体可查看参考博文4——维基百科)
暂时放一张截图,有不明白的请留言
后面的就很简单了
对文中公式21进行补充说明
只要明白使用的是分子布局,直接推就好了
参考博文及感谢
部分内容参考以下链接,这里表示感谢 Thanks♪(・ω・)ノ
参考博文1 Self-supervised graph learning for recommendation-自监督图学习增强的推荐
https://zhuanlan.zhihu.com/p/498662819
参考博文2 矩阵求导公式的数学推导(矩阵求导——基础篇)
https://zhuanlan.zhihu.com/p/273729929
参考博文3 SGL的Github作者答疑
https://github.com/wujcan/SGL-TensorFlow/issues/7
参考博文4 维基百科——矩阵演算
https://en.wikipedia.org/wiki/Matrix_calculus