【论文笔记】Neural Graph Collaborative Filtering

最新推荐文章于 2022-11-28 12:01:01 发布
最新推荐文章于 2022-11-28 12:01:01 发布
阅读量635 收藏 3
点赞数 1
分类专栏： 推荐系统 文章标签： 神经网络 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_42924581/article/details/120957175
版权
《Neural Graph Collaborative Filtering》论文介绍了如何利用图神经网络在推荐系统中捕获用户-物品交互的高阶连通性，以提升协同过滤的嵌入质量。NGCF通过嵌入传播层迭代地更新用户和物品的表示，从而考虑多层关系，提高了推荐的准确性。
摘要由CSDN通过智能技术生成

《Neural Graph Collaborative Filtering 》论文学习

文章目录

摘要

1、作者认为，通过user、item的ID、属性映射得到的embedding缺失了他们的交互过程，因此不足以捕捉协同过滤效果。
2、NGCF将用户-物品交互集成到embedding过程中，以显式的方式有效地将协作信号注入其中

一、介绍

一般来说，在可学习CF模型中有两个关键组成部分:1)embedding，向量化的表示; 2)user-item交互建模。我们认为目前的方法还不足以为CF生成令人满意的嵌入。关键原因是嵌入函数缺乏对关键协作信号的显式编码，这种信号潜伏在用户-物品交互中，揭示用户(或物品)之间的行为相似性。更具体地说，现有的方法大多只使用描述性特征(如ID和属性)来构建嵌入函数，而没有考虑用户-物品交互，而用户-物品交互仅用于定义模型训练的目标函数。
在NGCF中，我们通过利用用户-物品交互的高阶连通性来解决这一挑战，这是交互图结构中协作信号的一种自然编码方式。
图1说明了高阶连接性的概念：右边的子图显示了从u1展开的树状结构。高阶连通性表示从路径长度l大于1的任何节点到达u1的路径。这种高阶连接包含了丰富的语义。例如，路径u1←i2←u2表示u1和u2之间的行为相似度，因为两个用户都与i2交互过;路径u1←i2←u2←i4表明u1很可能采用i4，因为她的类似用户u2以前已经使用了i4。而且，从l = 3的整体观点来看，i4项比i5项更可能引起u1的兴趣，因为<i4,u1>有两条路径连接&

最低0.47元/天 解锁文章
卷不动
关注
专栏目录
Neural Graph Collaborative Filtering
Dive的博客
01-13 969
目录2 METHODOLOGY 2 METHODOLOGY
NGCF:Neural Graph Collaborative Filtering
最新发布
Guozyan的博客
04-05 1959
近邻信息对嵌入学习有一定帮助；建模高阶连通性或邻居有积极的影响；利用高阶连通性可以大大提高非活跃用户的表示学习，因为可以更有效的捕捉协作信号，于是在解决数据稀疏方面是有希望的。下一步可以加入注意力机制。
论文笔记 Neural Graph Collaborative Filtering [SIGIR 2019 ]
还有很长很长的路
04-23 1050
[SIGIR 2019 ] Neural Graph Collaborative Filtering 推荐系统
论文笔记：Neural Graph Collaborative Filtering
qq_44015059的博客
07-20 1254
前言 论文链接：https://arxiv.org/abs/1905.08108 github：https://github.com/talkingwallace/NGCF-pytorch 参考：https://www.jianshu.com/p/16c8973ef8ff https://zhuanlan.zhihu.com/p/110682271 https://blog.csdn.net/weixin_37913042/article/details/99712729 CF方法： 协同过滤学习模型从项
Neural Graph Collaborative Filtering【阅读笔记】
xzq_13972146251的博客
03-09 636
文章目录1.文章为了解决什么问题？2.文章提出了什么方法？3.模型架构以及原理？ Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, and Tat-Seng Chua. 2019. Neural Graph Collaborative Filtering. In SIGIR. 165–174. 这篇文章是何向南团队在2019发表在SIGIR上的，将神经网络融入到推荐系统里面。 1.文章为了解决什么问题？ 学习向量表示（embeddings），用户和项目的嵌入是
神经图协同过滤（Neural Graph Collaborative Filtering）
xianfishY的博客
11-25 2294
神经图协同过滤（NGCF） 文章目录神经图协同过滤（NGCF）前言一、简介二、理论1.模型图2.嵌入层3.嵌入传播层3.1一阶传播3.2高阶传播4.模型预测5.优化实验1.数据集描述2.实验设置四.结果 前言 Embedding是现代推荐系统的核心。 从早期的矩阵分解到最近的基于深度学习的方法，都是通过映射用户(或物品)的已存在的特征(例如ID)来获得用户(或物品即项目)的嵌入向量。 这种方法的一个固有缺陷是：用户-物品交互中潜在的协作信号没有被编码到嵌入向量中。 因此，所得到的嵌入可能不足以捕捉协同
【推荐算法论文阅读】Neural Graph Collaborative Filtering
qq_36643449的博客
03-17 2026
一、背景 协同过滤学习模型从项目的丰富侧面信息中学习的深层表示来扩展MF嵌入功能；神经协同过滤模型则用非线性神经网络取代内积的MF交互函数。 以上的方法都是有效的，但是却无法为CF提供合适的嵌入，这是因为缺少一个协同信号（它潜伏在用户与项目之间的交互中，以揭示用户(或项目)之间的行为相似性。）更具体的是，现有的大多数方法只使用描述性的特性(例如id和属性)构建嵌入功能，而不考虑用户-项目的交互，这些功能只用于定义模型训练的目标函数。因此必须依赖交互功能弥补次优嵌入的不足。虽然直接地使用交互功能能弥补次优嵌入
论文解析：Neural Graph Collaborative Filtering
da_kao_la的博客
03-11 1160
论文解析：Neural Graph Collaborative Filtering 作者：Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, Tat-Seng Chua（新加坡国立大学） 会议：SIGIR 2019 方法 和Graph Convolutional Matrix Completion一样，Neural Graph Collaborativ...
论文笔记【Neural Graph Collaborative Filtering】
Salmon1122的博客
09-08 309
论文笔记【Neural Graph Collaborative Filtering】
论文笔记（Neural Graph Collaborative Filtering）
CICI❤️的博客
08-19 7365
神经图协同过滤 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理：在 user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Social...
2019_SIGIR_Neural Graph Collaborative Filtering
weixin_46645827的博客
03-03 1372
[论文阅读笔记]2019_SIGIR_Neural Graph Collaborative Filtering 论文下载地址： https://doi.org/10.1145/3331184.3331267 发表期刊：SIGIR Publish time: 2019 作者及单位: Xiang Wang National University of Singapore xiangwang@u.nus.edu Xiangnan He∗ University of Science and Technology
【论文笔记】Neural Graph Collaborative Filtering --- SIGIR2019
weixin_44884854的博客
10-11 1690
本文提出了一个基于图结构的新型推荐系统模型NGCF。它通过在用户-物品图中建立高阶连通性表达模型，把协同信号显式的注入了用户（物品）的embeddings过程中。 摘要 学习向量表示（embeddings），用户和项目的嵌入性是现代推荐系统的核心。从最初的矩阵分解到最近出现的基于深度学习的方法，都是从先前存在的特征来表示用户（物品）的嵌入。这些方法的一个固有缺点是协同信号（collaborative signal），在用户和物品的交互中式隐藏的，在嵌入过程中没有被编码。这样，最后的嵌入可能不足够获.
文献阅读总结（3）Neural Graph Collaborative Filtering
hh___56789的博客
11-28 815
Neural Graph Collaborative Filtering
第九周.01.Neural Graph Collaborative Filtering
老毛的博客
08-03 438
文章目录CF+GNN的原理模型框架论文泛读摘要Introduction其他内容 本文内容整理自深度之眼《GNN核心能力培养计划》 公式输入请参考：在线Latex公式 论文：Neural Graph Collaborative Filtering PPT 代码 别人的翻译：https://www.jianshu.com/p/95da9785bea8 发表在19年的信息检索顶会SIGIR（International Conference on Research and Development in Inform
论文阅读：Neural Graph Collaborative Filtering
qq_43431934的博客
03-03 535
论文阅读：Neural Graph Collaborative Filtering 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理： 在user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量，用户向量和项向量的内积来预测评分。 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Socia
neural graph collaborative filtering
03-16
神经图协同过滤（Neural Graph Collaborative Filtering）是一种基于神经网络的推荐算法，它将用户和物品之间的关系建模为一个图，利用图神经网络来学习用户和物品的嵌入向量，从而进行推荐。相比传统的协同过滤算法...
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