京东智联云&贪心科技：图卷积神经网络在推荐系统的应用

PDF下载：https://download.csdn.net/download/qq_40507857/14933374

B站视频：https://www.bilibili.com/video/BV1bK4y1t7Pw?p=1

GCN发论文的方向：

1. 拿到数据，新建图，在图结构上创新，融入图论知识，这个比较难。
2. 以前用CNNs和GAN做的任务，用GCN再做一遍，看看效果怎样，这个比较容易。

深度学习

深度学习：

• 权重分配
• 层级结构
• 欧几得空间数据

图结构数据

• 现实中有大量数据是非欧几里得结构。
• 社交网络
• 科学网络
• 通信网络
• 多用户系统

• 传统的深度学习平台无法完成这类学习（CNNs和RNNs）
• 这类数据无法通过一维、二维或者三维的欧几里得结构表达

GCN背景和基本框架

图卷积发展历史

• Graph Convolutional Networks（GCNs）
  
• 回顾：邻接矩阵
  
  

图卷积基本框架

• 关键：在节点和社区间进行信息传递
  
  

回顾: 卷积神经网络

图卷积

图卷积的演示

基于知识图谱的GCN

知识图谱

G（A，X）:

• 节点：每个实体
• 边：实体间的关系
• 特征：实体的性质
  
  
  

KGCN

数据：

• 用户： U = { u 1 , u 2 , ⋯   } U=\{u_1,u_2,\cdots\} U={u1​,u2​,⋯}
• 实体： V = { v 1 , v 2 , ⋯   } V=\{v_1,v_2,\cdots\} V={v1​,v2​,⋯}
• $y_{uv}$=1：用户u与实体v有联系
• 关系： R = { r 1 , r 2 , ⋯   } R=\{r_1,r_2,\cdots\} R={r1​,r2​,⋯}
• 特征：H矩阵

图卷积：

• Label smoothing Regularization
  
  

KGCN：伪代码

KGCN：结果演示

RGCN for Knowledge Graph

两个任务：

1. 链接预测（缺失三元组的恢复）
2. 实体分类（为实体分配类型或分类属性）

例如：“Mikhail Baryshnikov was educated at the Vaganova Academy”，可以得到：

a. Mikhail Baryshnikov 的标签是person

b. (Mikhail Baryshnikov, lived in, Russia)三元组属于这个图

RGCN for Knowledge Graph

Hyper GCN

热门GCN应用

人体姿势识别

用户推荐系统

舆情监控

自动驾驶

总结

• 介绍了图卷积的背景知识和基本框架
• 详细说了图卷积应用于知识图谱
• 现阶段图卷积的研究领域和方向：人体姿势识别、超图、图构建、子图嵌入
• 图卷积未来可解决的工业问题：用户推荐系统、舆情监控和控制、自动驾驶等等