图与推荐[1] - Gimini

最新推荐文章于 2024-03-07 20:47:41 发布

ZhuNian的学习乐园

最新推荐文章于 2024-03-07 20:47:41 发布

阅读量1k

点赞数

分类专栏：图与推荐文章标签：深度学习 tensorflow

本文链接：https://blog.csdn.net/qq_41709378/article/details/121591618

版权

图与推荐专栏收录该内容

7 篇文章 0 订阅

订阅专栏

Gemini: A Novel and Universal Heterogeneous Graph Information Fusing Framework for Online Recommendations

下载链接：https://dl.acm.org/doi/10.1145/3394486.340338

1. 概念

1.1 异质图网络

异质图（Heterogeneous Graphs，HetG）：包括多种类型的图结构，相应的同质图中只有一种类型的节点和边。异质图说白了就是将不同属性的数据合到一起，加入更多的语义信息数据。下图给出了一个异质图的示例

在这里插入图片描述

https://zhuanlan.zhihu.com/p/368566985
论文链接：A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources

1.2 1-hop & 2-hop

在这里插入图片描述

1-hop 简单来说是当前node 直接连接的 node ，Gemini -U 和 Gemini-I 能够得到 2- hop 的信息，并且 1- hop 的信息以 edge embedding 的形式展示。

2-hop 中，对于一个user, 它的2-layer embedding 的更新需要获得了该 node 1-layer embedding 和 attribute node 。
在这里插入图片描述

1.3 Edge embedding

为什么会引进 edge embedding , 有两个原因：

第一个 edge embedding 是直接描述了原始的 neighbor 关系，并且能够计算node之间的相关性强度。
第二个原因是在分享 node embedding时，edge 能够提供异质图网络的node的关联信息。

1.4 Semi homogeneous Graph

给出了 G = （X,E,Att）X 表示这 node, 其中 E 表示所有 node 可能连接到的 edges，
在这里插入图片描述

Att 表示 E中 attributes node , 并且Att rij 表示这 node xi 与 node xj 关联的 attributes node.
AttAtt

1.5 Edge CONV

在这里插入图片描述

其中，huk 表示 node u 在 k 层卷积层的 embedding 向量表示，这里node u 在第k 层结合了 u 周围的结点进行 concat。

2 公式

在这里插入图片描述
he 表示 edge embedding ,而 hf 表示 e 中 attribute nodes 的 embedding vectors。

在这里插入图片描述
为了同时考虑 edge 属性的数量和质量，我们结合了 Sum Pooling（即
数量）和 TF-IDF（即质量）来提议 TF-IDF Pooling 操作为：

3 Gimini 的不同之处

在这里插入图片描述
整个算法分成两个部分，第一个部分是sampling stage 阶段，在这个阶段中，u∈U 中需要计算（更新）K 次得到表征 node。

在这里插入图片描述

第二个部分是关于 user node 和 item node 的合并阶段，在给出了一个用户u后，我们通过（respective aggregation）和（convolution）能够得到该用户的最终的表示形式：
在这里插入图片描述

最后需要得到的是分类结果，通过最后层，判断 user 点击 item 的概率:

（1）原本的node 更新的过程是使用了neighbors 的node 进行更新，并没有使用edge 的相关信息。
这也是传统的同质图进行图卷积的操作，node 节点的更新只关注了周围的node ，进行node 更新并没有考虑两个node 公共点击的商品。但是在Gimini 中考虑到了 node 之间关联的items 的信息，
在这里插入图片描述

对于更新每一个中心点 u, 不仅需要考虑它的邻接节点 d ，还会考虑到节点与节点之间关联的信息，例如这些节点都会点击到的items ；也就是会学习在同质图中 node 与node 之间关联的边权重，he。

（2）节点输入的嵌入

节点u周围的所有的d 都会与（attribute node）进行融合。
在这里插入图片描述

总结：
（1）Gimini 算法提出了将 heterogeneous 图转化成两个 semi homogeneous 图，不会错过关键信息。
（2）第二点，Gimini 框架在聚合来自邻居节点的信息的同时添加 edge 信息可以在 Gemini-U 和 Gemini-I 之间交换异构拓扑信息。这部分信息在两个异质图的信息是相互依赖的。
（3）Gimini-U 和 Gimini-I 除了得到一阶的信息，而且可以得到二阶的信息。
（4）提出了 Gemini-Collaboration 的算法框架，主要是它能够处理大规模的数据。