Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）

最新推荐文章于 2022-01-19 19:04:07 发布
最新推荐文章于 2022-01-19 19:04:07 发布
阅读量4.1k 收藏 10
点赞数 2
分类专栏： AI程序员 算法 机器学习 深度学习 论文研读 GNN 人工智能应用开发 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/weixin_41697507/article/details/94961321
版权
AI程序员 同时被 3 个专栏收录
166 篇文章 9 订阅 ¥19.90 ¥99.00
订阅专栏 超级会员免费看
机器学习
161 篇文章 8 订阅 ¥19.90 ¥99.00
订阅专栏 超级会员免费看
算法
161 篇文章 4 订阅
订阅专栏
本文介绍了在Pinterest上开发并部署的高效GCN算法PinSage，用于处理包含数十亿节点和边的Web级推荐任务。PinSage结合随机游走和图卷积，学习节点的嵌入，同时考虑图结构和节点特征信息。与传统GCN方法相比，PinSage通过使用动态构建的计算图和高效随机游走实现局部卷积，提高了可扩展性。此外，它采用生产者消费者架构构造小批量，以及MapReduce推理，以处理大规模推荐。在实验中，PinSage在离线指标、用户研究和A/B测试中展现出优于其他深度学习和图基推荐系统的性能。
摘要由CSDN通过智能技术生成
Graph Convolutional Neural Networks for Web-Scale Recommender Systems

用于Web级推荐系统的图形卷积神经网络

ABSTRACT

Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art performance on recommender system benchmarks. However, making these methods practical and scalable to web-scale recommendation tasks with billions of items and hundreds of millions of users remains a challenge.

Here we describe a large-scale deep recommendation engine that we developed and deployed at Pinterest. We develop a data-efficient Graph Convolutional Network (GCN) algorithm PinSage, which combines efficient random walks and

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Adam婷
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
图神经网络（十四）Hierarchical Graph Convolutional Networks for Semi-supervised Node Classification
码匀的博客
03-18 1647
本文作者来自中科院，文章被收录于IJCAI 2019。当前基于邻域聚集的GCN模型大多数是浅层的，并且缺乏“图池化”机制，这使得模型无法获得足够的全局信息。为了增加感受域，本文提出了一种深层层次图卷积网络（H-GCN），H-GCN首先将结构相似的节点重复聚集到超节点，然后将粗化后的图细化为原始图，以恢复每个节点的表示。该粗化过程不是简单地聚合一跳或两跳的邻域信息，而是扩大了每个节点的接受范围，从而可以捕获更多的全局信息。H-GCN模型在不同的公共基准图数据集上获得了较高的性能提升。源码在此 Introduc
2018-Graph Convolutional Neural Networks for Web-Scale Recommender Systems.pdf
06-11
2018-Graph Convolutional Neural Networks for Web-Scale Recommender Systems
Graph Convolutional Neural Networks for Web-Scale Recommender Systems
weixin_44905312的博客
12-28 1275
图神经网络推荐系统的相关论文
【GCN】: Graph Convolutional Neural Networks for Web-Scale Recommender Systems
快来学习鸭～～～
06-16 4632
最近看了“Graph Convolutional Neural Networks for Web-Scale Recommender Systems”这篇文章，是Pinterest将GCN成功应用在大规模真实场景的论文，唯一可惜的是没有公开源码。 论文下载地址：https://arxiv.org/pdf/1806.01973 论文包含了理论创新和实际落地实现中的一些工程优化。这里对算法理论这块...
【论文解读 KDD 2018 | PinSage】Graph Convolutional Neural Networks for Web-Scale Recommender Systems
byn12345的博客
04-27 4852
论文链接：https://arxiv.org/abs/1806.01973 论文来源：KDD 2018 斯坦福大学, Pinterest 关键词：GCN，推荐系统，web-scale，PinSage 本文在GraphSAGE基础上进行改进（去掉了需要将整张图存储到内存中的限制），提出PinSage模型，成功在Pinterest的推荐系统上得到了应用，第一个将图卷积（GCN）在超大规模数据...
阅读总结：《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》
weixin_41206992的博客
10-08 685
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 主要内容概括： 1、 模型： 优化： 大部分译文： 摘要： 图结构的深度神经网络在推荐系统应用中最近已经有很好的表现。然而，使这些方法变得实用，对于拥有千万物品和一亿用户的网络推荐系统，还有挑战。我们阐述了一个发展和应用在Pinterest上的大规...
Paper Notes: Graph Convolutional Neural Networks for Web-Scale Recommender Systemste
HotChoc的博客
03-31 361
Graph Convolutional Neural Networks for Web-Scale Recommender Systems LINK: https://arxiv.org/abs/1806.01973 CLASSIFICATION: RECOMMENDER-SYSTEM, GCN YEAR: Submitted on 6 Jun 2018 FROM: KDD 201...
【Graph Neural Network 图神经网络】2.Spectral-based Graph Convolutional Networks 基于谱域的图卷积网络
TsingM
06-22 2284
GCN(Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017) 该文为基于谱域的图卷积网络的代表作，为图神经网络模型引入一个简单且表现好的分层传播规则，该规则直接在图上运行，展示了它是如何从谱图卷积的一阶近似中获得增益的，并演示了如何将这种形式的基于图的神经网络模型用于图中节点的快速和可扩展的半监督分类。 0. 基本概念 图用G=(V,E)G=(V,E)G=(V,E)表示，VVV中元素为节点（vertex），E
Knowledge Graph Convolutional Networks for Recommender Systems
qq_41621342的博客
03-01 4836
Knowledge Graph Convolutional Networks for Recommender Systems ABSTRACT 背景 为了减轻基于协作过滤的推荐系统的稀疏性和冷启动问题，研究人员和工程师通常收集用户和项目的属性，并设计精细的算法目的是利用这些额外的属性信息。一般来说，属性不是孤立的，而是相互联系的，形成了一个知识图谱（KG）。 创新点 提出了知识图卷积网络（KGCN...
《图神经网络推荐系统》2020综述论文
11-07
构建和管理一个知识图谱需要一些努力和语义技术方面的大量经验。将这个知识图谱转化为解决问题的有用资源需要更多的努力。
Graph Convolutional Neural Networks for Web-Scale Recommender Systems阅读笔记
a632377680的博客
05-18 617
文章目录MotivationModelOptimizationDiscussion 本次介绍的paper是“Graph Convolutional Neural Networks for Web-Scale Recommender Systems”，也就是PinSage。图卷积网络（GCN）是近几年很火的研究方向，如何将GCN应用到实际场景中也是业界的研究热点。PinSage是第一个在推荐系统成功...
【推荐算法论文阅读】Graph Convolutional Neural Networks for Web-Scale Recommender Systems
qq_36643449的博客
01-19 1384
一、背景 扩展 GCN 很困难，因为很多在大数据环境中，很多基于这些 GCN 设计的假设都不成立了。比如，所有的基于 GCN 的推荐系统需要在训练时使用图的拉普拉斯矩阵，但是当顶点数很大的时候，这就不现实了，因为算不出来。 所以本文提出了一种在 Pinterest 上的大规模深度推荐引擎，开发了一种高效的图卷积算法 PinSage，融合了随机游走和图卷积，来生成顶点（物品）的表示，同时整合了顶点信息和图结构。 二、模型结构 本文方法的计算关键在于局部图卷积的表示(notion)。我们使用多个卷积模块来聚合一
[PinSage] Graph Convolutional Neural Networks for Web-Scale Recommender Systems 论文详解KDD2018
知行合一，止于至善
09-18 4997
文章目录摘要1 简介1.1 背景介绍1.2 推荐系统评测指标2 相关研究3 方法3.1 Problem Setup3.2 Model ArchitectureForward propagation algorithmImportance-based neighborhoodStacking convolutions 堆叠卷积层3.3 Model Training 模型训练Loss function...
图计算论文笔记--Graph Convolutional Neural Networks for Web-Scale Recommender Systems
travalscx的博客
12-06 3813
Graph Convolutional Neural Networks for Web-Scale Recommender Systemsabstractintroductionrelated workmethodproblem setupmodel architectureForward propagation algorithmImportance-based neighborhoodsSta...
《graph convolutional neural networks for web-scale recommender systems》论文阅读
ptxx_p的博客
09-12 436
graph convolutional neural networks for web-scale recommender systemsabstract1.introduction2.related work3.method3.1 problem setup3.2 model architecture二级目录三级目录 发表于KDD 2018。 abstract 本文提出了一种数据高效的图卷积网络算法PinSage，同时组合了高效的随机游走以及图卷积来生成节点的embeddings（同时综合了图结构以及节点
一文了解推荐系统中的图神经网络
数据派THU
08-17 2716
来源：RUC AI Box 本文约4600字，建议阅读9分钟本文主要介绍推荐系统中的图神经网络，欢迎交流探讨！ [ 引言 ]近年来，GNN技术由于其在图数据学习方面的出色表现，在许多...
2W字长文 | 漫谈工业界图神经网络推荐系统
Kaiyuan_sjtu的博客
11-26 530
图神经网络是近年来很火的一个研究方向，在生物化学，推荐系统，自然语言处理等领域都得到了广泛应用。其中图神经网络在推荐系统的应用方面，已有几篇综述[1][2][3]做过详细的归纳总结。但是让...
hybrid graph neural networks for few-shot learning
最新发布
10-23
混合图神经网络用于少样本学习。少样本学习是指在给定的样本数量非常有限的情况下，如何进行有效的学习和分类任务。混合图神经网络是一种结合了图神经网络和其他模型的方法，用于解决少样本学习问题。 首先，混合图...
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

打赏作者

Adam婷

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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