文献总结:
问题:在用户-物品交互中隐藏的协作信号在表征过程中没有编码。因此,产生的表征可能不足以捕获协同过滤效果。
解决办法:将用户-物品交互(更具体地说是二部图结构)集成到表征过程中。我们开发了一种新的推荐框架神经图协同过滤(NGCF)。
怎么做的:它通过在用户-物品图结构上传播表征来利用该结构。这就导致了用户-物品图中高阶连通性的表达建模,有效地将协作信号显式地注入到表征过程中。
本文贡献点: 1.在基于模型的CF方法的表征函数中,我们强调了明确利用协作
信号的重要性。
2.我们提出了NGCF,通过表征传播,将协作信号以高阶连通性的形式显式编码。
3.我们对300万个数据集进行了实证研究。大量的研究结果证明了NGCF的最先进性能以及用神经表征传播提高表征质量的有效性。
实验部分:我们在三个真实世界的数据集上进行实验,以评估我们提出的方法,特别是表征传播层,也提出了三个问题并对这三个问题进行实验分析。
实验结果:实验验证了在几个最先进的模型上的显著改进。进一步的分析验证了表征传播对于学习更好的用户和物品表示的重要性,证明了NGCF的合理性和有效性。
模型框架的理解:
embedding layer:提供初始的用户表征和物品表征
multiple embedding propagation layers:通过高阶连通性来细化表征
the prediction layer:通过整合来自不同层的细化表征来进行预测
疑问点:
1.丢弃为什么只能用在训练中,不能用在测试中?
Dropout原理可看这个博主的感觉写的挺容易明白https://blog.csdn.net/Mike_honor/article/details/125892375