图神经网络
学习经典及前沿的算法
无意识积累中
这个作者很懒,什么都没留下…
展开
-
快速读论文----异质图神经网络(写文章帮助总结异质图神经网络的文章)
异质图神经网络(写文章帮助总结异质图神经网络的文章)原创 2022-08-31 22:17:40 · 396 阅读 · 0 评论 -
深度学习基础----GNN谱域和空域 (不断完善更新积累)
慢慢理解GNN谱域和空域原创 2022-07-25 00:40:48 · 957 阅读 · 1 评论 -
快速读论文----AD-GCL:Adversarial Graph Augmentation to Improve Graph Contrastive Learning
AD-GCL:Adversarial Graph Augmentation to Improve Graph Contrastive Learning原创 2022-06-20 12:32:09 · 783 阅读 · 0 评论 -
GraphMAE----论文快速阅读
graph上的generative SSL原创 2022-06-19 18:31:27 · 844 阅读 · 0 评论 -
pytorch下GAT完全理解
参考的知乎文章, 非常好:通过pytorch深入理解图注意力网络(GAT) - 知乎自己手动过程:原创 2021-12-09 10:56:29 · 1215 阅读 · 0 评论 -
推荐系统----2021文章集锦
CIKM21 One Model to Serve All: Star Topology Adaptive Recommender for Multi-Domain CTR Prediction【applied paper,用于多领域CTR预估的自适应推荐】 如果是分类簇, 最后在每个个例上可不可以加上整个簇的embedding 共有的网络,可以学习不同domain共通的信息,而通过独有的网络,可以捕获每个domain私有的信息 数据只有在其对应的domain内被认为是独立同分布的,如果使用相原创 2021-11-30 21:43:43 · 1738 阅读 · 0 评论 -
多模态----MMGCN: Multi-modal Graph Convolution Network for Personalized Recommendation of Micro-video
摘要:个性化推荐在许多在线内容分享平台中扮演着核心角色。要想提供高质量的微视频推荐服务,就必须考虑用户与项目(即微视频)之间的交互,以及项目内容的不同形态(如视觉、听觉、文字)。现有的多媒体推荐工作主要利用多模态内容来丰富项目表示,而在利用用户和项目之间的信息交换来增强用户表示和进一步捕获用户对不同模式的细粒度偏好方面做的工作较少。在本文中,我们提出了利用用户项交互来指导每个模态的表示学习,并进一步个性化微视频推荐。我们设计了一个基于图神经网络消息传递思想的多模态图卷积网络(MMGCN)框架,它可以原创 2021-11-30 21:38:15 · 2226 阅读 · 0 评论 -
多模态--[GRCN]Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback
摘要: (这篇文章就觉得, 它是通过动态图解决了隐式反馈一些偶然的交互边的问题)将用户的隐式反馈重组为用户-商品交互图有助于图卷积网络(GCNs)在推荐任务中的应用。在交互图中,用户节点与商品节点之间的边作为gcns的主要元素,进行信息传播,生成信息表示。然而,一个潜在的挑战在于交互图的质量,因为观察到的交互与不太感兴趣的项目发生在隐式反馈中(比如,用户偶然浏览了微视频)。这意味着带有这种假阳性边缘的社区将受到负面影响,用户偏好的信号可能会受到严重污染。然而,现有的基于gcn的推荐模型对这一挑战的探索不原创 2021-11-30 20:55:09 · 848 阅读 · 0 评论 -
多模态+意图聚合----Hierarchical User Intent Graph Network for Multimedia Recommendation
原创 2021-11-30 17:26:42 · 429 阅读 · 0 评论 -
对比学习+多模态----Latent Structures Mining with Contrastive Modality Fusion for Multimedia Recommendation
原创 2021-11-30 15:03:03 · 653 阅读 · 0 评论 -
推荐系统----SR-GNN: Session-based Recommendation with Graph Neural Networks
关键词: session, LSTM聚合(GGNN), 最后一个表session, local和全局 (整体流程可以抄, 更换内部组件. 就像: Global Context Enhanced Graph Neural Networks for Session-based Recommendation) 已经有item交互数据, 推断下一个是什么 session是匿名的, 并且数量有限 之前用RNN建模, 现在用GGNN(门控图神经网络) 贡献:..原创 2020-11-23 16:51:42 · 985 阅读 · 0 评论