GRU4rec与SRGNN之间的比较

最新推荐文章于 2024-05-28 09:45:09 发布
最新推荐文章于 2024-05-28 09:45:09 发布
阅读量2.9k 收藏 2
点赞数 1
分类专栏： AI 文章标签： RS
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_42127182/article/details/103211261
版权
GRU4recSRGNN
序列模型，只考虑上一节点到当前节点的过渡关系图模型，考虑更复杂的过渡关系，包括若干出点和入点与当前节点的联系
仅考虑用户的当前兴趣使用Attention机制，考虑用户的当前兴趣和整体兴趣
循环次数由序列长度决定循环次数是个超参，SRGNN默认为1
有负采样，pairwise loss（BPR、TOP1）没有负采样，pointwise loss（NLL）
minibatch，代码比较复杂data augmentation，实现比较简单（但序列长度较长时不适用于RNN）

关于GGNN和SRGNN更多信息，可以转至 【论文精读】门控图神经网络GGNN及SRGNN

_Mogician
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
再读SRGNN论文之GRU与RNN和LSTM
NLP与推荐算法
01-03 2243
hi主要是没太多时间用来思考，所以很多东西都不是太清楚，只会装逼，这样不好，要从理论/代码上理解到底说的是什么事情，这是科学问题：是什么和为什么？作为搬砖工还是有必要深入了解，不然真的只能搬砖了。可在我的主页搜索相关博文，不再挨个附上。【面试明明是技术面，却总是在问科学的问题，这很扯淡】 For Recommendation in Deep learning QQ Group 102948747 For Visual in deep learning QQ Group629530787 I'm he.
推荐系统行为序列建模-GRU4Rec
qq_41196438的博客
06-23 2826
推荐系统行为序列建模-GRU4Rec1.模型结构2.优化2.1 SESSION-PARALLEL MINI-BATCHES2.2 SAMPLING ON THE OUTPUT3.Loss 《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》论文基于单次会话session进行推荐。 1.模型结构 整体结构比较简单，通过RNN的堆叠来抽取序列信息 input：单次会话的点击序列 [x1,x2,...xn][x_1, x_2,...x_n
探索SR-GNN：下一代社交网络分析利器
gitblog_00091的博客
04-12 366
探索SR-GNN：下一代社交网络分析利器 项目地址:https://gitcode.com/CRIPAC-DIG/SR-GNN 在大数据与人工智能的交汇点上，【SR-GNN】项目以其独特的视角和强大的分析能力，正在为社交网络研究领域带来革新。项目链接 提供了一个全面了解及参与此项目的入口。 项目简介 SR-GNN（Social Relationship Graph Neural Network）是...
GRU4Rec
weixin_43951296的博客
11-21 298
GRU4rec
【序列召回推荐】(task2)序列召回GRU4Rec模型
发现问题，并解决问题，批判性思维
11-18 1894
一般的RNN模型我们的输入和输出是什么，我们对RNN输入一个序列 $X = [x^1,x^2,...,x^n]$ ，注意我们序列中的每一个节点都是一个向量，那么我们的RNN会给我们的输出也是一个序列 $Y = [y^1,y^2,...,y^n]$, 那我们如何通过RNN提取出输入序列的特征呢，常用做法有两种（GRU4Rec用的第一种获得序列表征）： - 取出$y^n$的向量表征作为序列的特征，这里可以认为$x^1, x^2, \ldots, x^n$的所有信息，所有可以简单的认为$y^n$的结果代表序
推荐开源项目：GRU4REC-PyTorch —— 会话基推荐的高效工具
最新发布
gitblog_00042的博客
05-28 241
推荐开源项目：GRU4REC-PyTorch —— 会话基推荐的高效工具 项目地址:https://gitcode.com/hungthanhpham94/GRU4REC-pytorch 1、项目介绍 GRU4REC-PyTorch是一个基于PyTorch实现的会话基推荐模型，它源自于ICLR 2016发表的论文《Session-based Recommendations with Recurre...
GRU4REC-pytorch:使用PyTorch的GRU4REC的另一种实现
05-06
GRU4REC-PyTorch GRU4REC模型的PyTorch实现。 原始论文： 对原始论文的扩展： 这个代码是基于由Younghun宋（YHS-968），并实现 此版本支持TOP1，BPR，TOP1-max，BPR-max和交叉熵损失。 要求 PyTorch 0.4.1 的...
GRU-Attention多模型比较.zip
05-13
3 将最有优的预测方案与其他方法进行比较，显示出其构建模型的优越性，例如最终，注意力机制的gru神经网络与lstm、svr、神经网络进行比较，得出注意力机制的GRU神经网络效果最好 4参与比较的模型其预测结果要以图的...
基于Python实现LSTM、GRU、BiLSTM预测股票价格比较研究源码+全部数据（高分项目）.zip
01-04
基于Python实现LSTM、GRU、BiLSTM预测股票价格比较研究源码+全部数据（高分项目）.zip个人98分期末大作业项目，代码完整下载可用。主要针对计算机相关专业的正在做课程设计和期末大作业的学生和需要项目实战练习的...
基于LSTM、GRU、BiLSTM预测股票价格比较的Python仿真源码+数据（课程设计）.zip
10-17
基于LSTM、GRU、BiLSTM预测股票价格比较的Python仿真源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于LSTM、...
GRU_gru_GRU时间序列_
10-02
使用GRU网络预测时间序列数据
BiLSTM4Rec:双向LSTM网络基于序列的推荐
05-01
BiLSTM4Rec 双向LSTM网络基于序列的推荐
GRU4Rec学习笔记（SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS）
zhu_xian_gang的博客
11-30 740
主要是对RNN的一个改进，针对RNN在用到推荐系统时，会面临会话时间短的问题，而不是长期会话，导致精度不准，为了解决这个问题，作者通过对整个会话进行建模。模型的输入是当前会话的状态，输出是会话中下一个事件的物品，为了稳定性对输入向量进行了归一化，在输入和第一层GRU之间新增嵌入层，在最后一层和输出之间新增前馈层（Feedforward layers 也称全连接层或密集层）。因为推荐系统不是递归神经网络的主要应用领域，因此修改了基本网络，为了更好的适应任务。
【ccf2021训练赛】图书推荐算法赛道（SASRec序列推荐模型 | 序列推荐模型分类）
发现问题，并解决问题，批判性思维
09-25 1416
- SASRec（召回）提出基于自注意力机制的序列推荐，考虑用户序列行为中不同交互的重要程度。 - SASRec和以下算法进行比较： - 不考虑序列的传统推荐：PopRec、BPR； - 基于马尔可夫链的序列推荐：FMC、FPMC、TransRec； - 基于深度学习的序列推荐：GRU4Rec、GRU4Rec+、Caser
序列召回基础+GRU4Rec论文阅读
qq_51167531的博客
11-20 1144
序列召回基础+GRU4Rec论文阅读
传统序列召回实践：GRU4Rec——Session-Based Recommendations with Recurrent Neural Networks
weixin_46191103的博客
11-20 334
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
推荐模型-序列推荐-2016：GRU4Rec、GRU4RecF、GRU4RecKG
u013250861的博客
11-27 378
推荐模型-序列推荐-2016：GRU4Rec。
Datawhale组队学习课节2: 传统序列召回实践：GRU4Rec打卡
宇宙哇
11-19 286
论文解决了什么问题？序列推荐场景下用户长期行为不可知的问题这是否是一个新的问题？不是这篇文章要验证什么科学假设？用户的一个会话中访问的条目是具有相关性的，且随时间而变化有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？前人的研究主要集中在矩阵分解方法和相似度算法，归类为序列推荐问题，Philip S. Yu ,Hongzhi Yin论文中提到的解决方案之关键是什么？使用GRU建模时序信息，并且设计了batch-size方法，来解决序列长度分布不均衡的问题。
推荐系统论文11月组队学习
z_modi的博客
11-16 1318
解决这个问题的一个方法就是增大隐表示的维度，但是会破坏模型的泛化性（个人认为就是造成过拟合），本文通过使用DNN来学习交互函数来解决这个限制。这样做的收益是直观的，一是让用户向量和物品向量做更充分的交叉，得到更多有价值的特征组合信息:二是引入更多的非线性特征让模型的表达能力更强。最终的Scoring层就是将用户隐向量和物品隐向量进行内积操作后得到相似度，相似度 就是对评分的预测，在实际使用矩阵分解来训练和评估模型的过程中，往往会发现模型处于欠拟合的状态。
GRU 与 GNN 区别
06-12
GRU和GNN是两种不同类型的神经网络。 GRU是一种门控循环单元（Gated Recurrent Unit）神经网络，主要用于处理序列数据，如文本、音频和视频等。GRU通过门控机制来控制信息的流动，以便捕捉序列中的长期依赖关系，适用于序列建模和预测。 GNN是一种图神经网络（Graph Neural Network），主要用于处理图数据，如社交网络、推荐系统和化学分子等。GNN通过对节点和边进行信息聚合和传递，从而学习图的全局结构和局部特征，适用于图的分类、聚类和表示学习等问题。 虽然GRU和GNN都是神经网络，但是它们的应用场景和处理对象是不同的。GRU主要用于处理序列数据，而GNN主要用于处理图数据。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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