gcn代码pytorch_PinSage：首次在商业推荐系统成功应用的GCN模型实现分析

最新推荐文章于 2023-04-15 00:33:50 发布
最新推荐文章于 2023-04-15 00:33:50 发布
阅读量487 收藏 2
点赞数
文章标签： gcn代码pytorch
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/weixin_31458015/article/details/113491102
版权
本文详细介绍了DGL框架中PinSage模型的实现，该模型基于movielens数据集，展示了如何处理图数据、构建mini-batch并进行随机游走生成子图。尽管在使用节点初始特征时遇到问题，但文章阐述了图卷积的核心过程，以及模型训练的细节。 PinSage模型的图数据处理和无向图的边过滤策略确保了模型的正确运行。
摘要由CSDN通过智能技术生成

f2767996c6daf1025d3d685cb8442bf6.png
之前有过两篇文章分别介绍了 GCN模型PinSage和 图神经网络框架DGL，本文就利用DGL来逐步实现PinSage模型，让熟悉DGL的使用过程中加深对PinSage的理解。

前言

上次的帖子分析了DGL这个框架，最后的地方提到DGL给出的示例中并不是所有的模型都是用消息传递的方式来编写的，比如著名的推荐模型PinSage，正巧这个模型在去年的帖子中也有过介绍（可见我这个人有多么拖沓，早就应该介绍模型实现，竟然拖了一年），PinSage并没有官方开源代码，所以这次就介绍一下DGL的实现方式，也给其他小伙伴一些启示吧。

如果对PinSage模型不太熟悉的，可以查看之前的一篇文章：PinSage：GCN在商业推荐系统首次成功应用

PinSage

首先模型在DGL项目的位置是：examples/pytorch/recommendation。模型是基于movielens数据集（https://grouplens.org/datasets/movielens/）实现的，数据中包含用户id，电影id，电影名字，时间戳，用户对电影评分等。DGL将数据集中用户和电影看作两种类型的节点，评分做为边，构成了用户和电影之间的二分图。大

最低0.47元/天 解锁文章
王若然
关注
PinSage：首次在商业推荐系统成功应用的GCN模型实现分析
jakpopc的博客
07-10 1017
关注微信公众号【七步编程】，专注Python、AI、大数据，原创文章第一时间推送！ 之前有过两篇文章分别介绍了GCN模型PinSage和图神经网络框架DGL，本文就利用DGL来逐步实现PinSage模型，让熟悉DGL的使用过程中加深对PinSage的理解。 前言 上次的帖子分析了DGL这个框架，最后的地方提到DGL给出的示例中并不是所有的模型都是用消息传递的方式来编写的，比如著名的推荐模型PinSage，正巧这个模型在去年的帖子中也有过介绍（可见我这个人有多么拖沓，早就应该介绍模型实现，竟然拖了一年.
基于图卷积网络的轻量化推荐模型
最新发布
2301_77509762的博客
11-24 1349
图卷积网络（Graph Convolution Network，GCN）已经广泛的应用于推荐系统，基于GCN的协同过滤算法（例如NGCF）缺少消融研究，此模型对NGCF进行了消融实验并提出了轻量化卷积网络。参考文献：本文所涉及的所有资源的获取方式：https://www.aspiringcode.com/content?传统的GCN推荐模型（以NGCF为例）其中的线性变换和非线性激活函数导致模型庞大，速度很慢，难于理解。
在工业界落地的PinSAGE图卷积算法原理及源码学习（二）采样
IntegerList的博客
04-14 679
这一部分是PinSAGE算法最重要的一块，主要包括正负样本采样，PinSAGE采样
gcn语义分割_【语义分割】large kernel matters中GCN模块的pytorch实现
weixin_39690097的博客
12-24 168
GCN模块的实现比较简单，在giuhub上看到两种实现，轻微不同class GCN(nn.Module):def __init__(self, inplanes, planes, ks=7):super(GCN, self).__init__()self.conv_l1 = nn.Conv2d(inplanes, planes, kernel_size=(ks, 1),padding=(ks/2,...
Interactive Tools Recommendation System integrating QT/ROS /Pytorch
weixin_45452278的博客
08-31 801
这样就在src文件中创建了一个 CMakeLists.txt 的文件，目的是告诉系统，这个是ROS的工作空间。信号和槽的绑定：currentIndexChanged(QString)是固定的信号，不可以更改，传入的是QString，也就是我们在下拉菜单中选择的具体字符。项目建完之后，比较重要的一步就是要配置刚才的ROS节点，只有配置了这里的ROS节点，ROS和QT Creator才可以正常通信。槽函数的声明，接受的const QString &类型，因为我们要得到具体任务的信息，也就是具体字符信息。...
STGCN-PyTorch-master.zip_STGCN 代码分析_STGCN pytorch_stgcn_stgcn d
07-15
STGCN（Spatial-Temporal ...通过深入研究这个"STGCN-PyTorch-master"项目，开发者可以了解STGCN模型的工作原理，并掌握在PyTorch中实现和优化此类模型的方法。这不仅有助于理论知识的学习，也有助于实践技能的提升。
GCN_predict-Pytorch:交通流量预测。 用PyTorch实现图卷积网络
05-10
用PyTorch实现图卷积网络（GCN，GAT，Chebnet） 要求： -火炬 -脾气暴躁 -熊猫 -Matplotlib 数据集示例： 数据集由Caltrans绩效评估系统（PEMS-04）收集 数量：307个探测器 日期：2018年1月至2月（2018.1.1——...
GCN_linkprediction:在pytorch上使用GCN进行链接预测
04-09
为了完成此项目，在pytorch上使用了Kipf的通用GCN模型。 专利在移动支付行业中爬行。 框架 在Google专利高级搜索中搜索“移动支付”，并获取专利号。 使用1）中的专利号来检索所有专利。 创建邻接矩阵和特征矩阵 ...
Neu-Review-Rec:使用Pytorch的基于神经审核的推荐模型的工具包
05-02
带有Pytorch的基于神经审核的推荐模型的工具包。基于评论文本的深度推荐系统模型库（Pytorch） 更新：2021.03.29 添加一个分支（PL）以使用包装框架以进行进一步的分布式培训。 git clone https://github.com/ShomyLiu/Neu-Review-Rec.git git checkout pl 以及用法： python3 pl_main.py run --use_ddp=True --gpu_id=2 # indicating that using ddp mode for distributed training with 2 gpus. refer `config/config.py`. 基于神经评论的推荐 在这个仓库，我们重新实现一些重要的审核为基础的推荐模型，并提供与Pytorch可扩展的框架NRRec。 研究人员可以在我们的框架
在工业界落地的PinSAGE图卷积算法原理及源码学习（三）数据加载及PinSAGE模型的定义与训练
IntegerList的博客
04-15 482
在之前的两篇文章中，我们介绍了数据处理及图的定义，采样，这篇文章是该系列的最后一篇文章——介绍数据加载及PinSAGE模型的定义与训练
在工业界落地的PinSAGE图卷积算法原理及源码学习（一）数据处理及图的定义
IntegerList的博客
04-14 750
结合图深度学习框架DG学习在工业落地的图深度学习推荐算法PinSAGE，本篇主要是数据处理部分。
GCN入门推荐资料（持续更新）
Yichar的博客
08-08 785
文章： 基于深蓝学院的入门视频 书籍： 《深入浅出图神经网络》 文献： 《图神经网络》2020 白柏等 《图神经网络综述》2020 徐冰冰等
基于图卷积网络（GCN）做AE商品推荐
zztSky
07-24 1541
1.下面讲解一个基于图自编码器实现简单的推荐任务的例子。推荐系统要建立的是用户与商品之间的关系，这里我们以简化后的用户对 商品的评分为例进行介绍，如图下图假设用户与商品之间的交互行为只 存在评分，分值从1分到5分。如果用户u对商品v进行评分，评分为r， 就是说用户u与商品v之间存在一条边，边的类型为r，其中r∈R。基于 这种交互关系对用户进行商品推荐实际上就是要预测哪些商品与用户之 间可能存在边，这样的问题称为边预测问题。对于这种边预测问题，我 们将其看作矩阵补全问题，用户与商品之间的交互行为构成了一个二部
GCN在推荐系统中的应用
weixin_44760744的博客
11-07 2566
《Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach 》论文阅读笔记 图卷积网络GCN（迭代叠加多层卷积聚合操作和非线性激活操作）是最新的基于图的特征学习模型，已经广泛应用到了很多领域，社交网络分析，交通网络，推荐系统等。 CF从用户的历史交互数据中学习用户和项目的嵌入向量，提供项目推荐，若将用户的历史交互行为看成是一个二分图，CF就是在图中进行边的预测。
【GNN】PinSAGE：GCN 在工业级推荐系统中的应用
阿泽的学习笔记
06-09 2784
今天学习的是 Pinterest 和斯坦福大学 2018 年合作的论文《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》，目前有 200 多次引用。 论文中提出的 PinSAGE 结合了随机游走和 GCN 来生成节点的 Embedding 向量。同时考虑了图结构和节点的特征信息。此外，PinSAGE 也设计了一种新颖的训练策略，该策略可以提高模型的鲁棒性并加快模型的收敛。 这篇论文是 GraphSAGE 一次成功的应
如何成为一名合格的推荐系统工程师？
fengdu78的博客
01-19 625
由于近些年深度学习技术的飞速发展，大力加速推动了AI在互联网以及传统各个行业的商业化落地，其中，推荐系统、计算广告等领域彰显的尤为明显。由于推荐系统与提升用户量以及商业化变现有着密不可分...
轻量级图卷积网络LightGCN介绍和构建推荐系统示例
deephub
03-11 4317
推荐系统是当今业界最具影响力的 ML 任务。从淘宝到抖音，科技公司都在不断尝试为他们的特定应用程序构建更好的推荐系统。而这项任务并没有变得更容易，因为我们每天都希望看到更多可供选择的项目。所以我们的模型不仅必须做出最优推荐，而且还必须高效地做出推荐。今天介绍的这个模型被称作：Light Graph Convolution Network 或 LightGCN¹。 让我们将用户和项目想象成二分图中的节点，其中用户与已经选择的项目相连。所以寻找最佳推荐项目的问题就变成了链接预测问题。 示例数据集 作为一个实际
论文浅尝 | KR-GCN: 知识感知推理的可解释推荐系统
开放知识图谱
06-29 1563
论文作者：马婷，中国科学院信息工程研究所直博生动机抽取并利用知识图谱(KG)中的多跳关系路径可以提高推荐系统的性能，并提供可解释性。然而，现有的工作仍面临着两个主要的挑战：用户偏好的错误传播和模型的弱解释性。提取并利用用户物品对之间的所有路径会引入不相关的路径，从而导致用户偏好的错误传播。尽管定义元路径在一定程度上可以缓解错误传播问题并提供一定的解释性，但模型的性能将严重...
STGCN模型源码分析及其在PyTorch平台的应用
资源摘要信息: "STGCN-PyTorch-master.zip_STGCN 代码分析_STGCN pytorch_stgcn_stgcn d" 在分析标题时，我们首先注意到"STGCN-PyTorch-master.zip"表明这是一个以PyTorch框架实现的时空图卷积网络（Spatio-...
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
>