Knowledge Graph Convolutional Networks for Recommender Systems with Label Smoothness Regularization

最新推荐文章于 2023-03-27 14:42:24 发布
最新推荐文章于 2023-03-27 14:42:24 发布
阅读量1.4k 收藏 10
点赞数
分类专栏： 推荐系统 文章标签： 推荐系统 知识图谱 卷积神经网络
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_42341986/article/details/103433461
版权

标签平滑正则化推荐系统的知识图卷积网络

在这里插入图片描述

. 摘要

在这里插入图片描述

1. 介绍

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2. 现有工作

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3. 问题表述

在这里插入图片描述

4. 我们的方法：KGCN-LS

在这里插入图片描述
在这里插入图片描述

4.1 图卷积神经网络

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.2 讨论

在这里插入图片描述
在这里插入图片描述

4.3 标签平滑正则化

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.4 小批量实施

在这里插入图片描述

5. 实验

在这里插入图片描述

5.1 数据集和基线

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5.2 验证G和Y之间的连接

在这里插入图片描述

5.3 结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5.4 运行时间分析

在这里插入图片描述

6. 结论和未来的工作

在这里插入图片描述

.附录

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

lisa丶
关注
专栏目录
【综述阅读】Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions
发现问题，并解决问题，批判性思维
11-11 2582
学习总结 文章目录学习总结一、Inroduction二、Background2.1 Recommender Systems2.2 Graph Neural Networks2.3 GNNs在推荐系统的必要性三、Challenges of applying GNNs to recommender systems3.1 Graph Construcion3.2 Network Design3.3 Model Optimization3.4 Computation Efficiency四、Existing Mth
Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems
soulesstitan的博客
02-16 1686
Label Smoothness Regularization   因为与传统的GNN不同，边的权重是可以学习的，而且在钱箱传播的过程中，还有w的参数需要学习。为了防止过拟合，而且由于边的权重的重要性，因此需要刚过的约束。作者在这里使用了Label Smoothness Regularization。具体的公示内容没有看懂。为了这个正则化和可学习的gnn网络，作者提出了一个独特的损失函数。 直观...
Knowledge Graph Convolutional Networks for RecommenderSystems
Angeliaaa的博客
03-02 1992
RippleNet将用户的兴趣在知识图谱上传播来抽取用户特征。那么我们是否可以将物品的特征在知识图谱上传播来抽取物品特征呢？KGCN模型随之产生。KGCN模型如下如所示。以一个物品为起点传播两次的情况如图a所示。每一个物品的特征矢量为与该物品直接相连的外层物品特征矢量的和，如图b所示。并且重点是在相加之前使用了注意力机制，决定注意力权重的因素有用户特征和关系特征，这样让推荐的结果具有个性化。 KGCN思想： 首先设用户是U，用户向量表示为u，物品为V，物品向量表示为...
KGCN：Knowledge Graph Convolutional Networks for Recommender Systems
BLOG of iJX
03-10 1634
Introduction Advantages of KG-based RS 将KG整合进推荐系统具有以下3种优点： KG中的item之间具有丰富的语义关联性，可以帮助探索它们之间的潜在联系，并且提高预测结果的准确性。 KG中具有各种各样的关系，有助于合理地扩展 user的兴趣，并增加推荐item的多样性。 KG连接了user的历史喜欢、推荐item，从而为RS引入了可解释性。 Challenges of KG-based RS 但是，由于KG具有高维度、异质性，在RS中应用KG十分具有挑战性。 一种可
Knowledge Graph Convolutional Networks for Recommender Systems
nuist_Jiang的博客
10-30 818
from Hongwei Wang， Miao Zhao, Xing Xie from Shanghai Jiao Tong University, 研究背景 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，并设计精致的算法来利用这些附加信息。通常，属性不是孤立的而是相互连接的，形成一个知识图（KG）。 研究内容 To automatically discover both high-order structure information and semant
Side Information-Knowledge Graph Convolutional Networks for Recommender Systems阅读笔记
I‘m Frank Lee
06-27 1312
Knowledge Graph Convolutional Networks for Recommender Systems 基本信息 作者 Hongwei Wang∗, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo† [重要作者提示] †Dr. Minyi Guo (过敏意), Zhiyuan Chair Professor, IEEE Fellow, ACM Distinguished Member 标签 Recommender systems; Knowledge
KGNN-LS 2019 (KDD) Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Re
TVfan的博客
03-26 1754
推荐中引入知识图谱的优点 知识图谱作为一种异构网络，节点表示实体，诸如物品，产品，以及他们的属性，特征；边对应为实体之间的关系，知识图谱可以获取一系列实体之间的关系和结构信息。因此，知识图谱提供了不同物品之间各种各样的关系和可以捕获物品间的语义关系。 提出背景 目前一些工作已经利用GNN架构来构建推荐模型，但是这些方法大多数是利用同构的用户-物品二部图，因此，如何扩展GNN到异构知识图谱称为待解决问题。本文将GNN扩展到知识图谱中，同时捕获物品之间的语义关系和用户个性化偏好 ...
Graph Convolutional Neural Networks for Web-Scale Recommender Systems阅读笔记
a632377680的博客
05-18 620
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...
论文阅读：Knowledge Graph Convolutional Networks for Recommender Systems
给我也整一个
11-01 4095
1. Motivation 融合吸收side-information是缓解CF冷启动问题的一种解决方案，但是真实场景中的物品属性并不是isolated，它们之间彼此相连。简单的拼接或者非线性交互并不能很好的提取到这些属性之间的关联。为此，我们可以将物品和描述物品的属性放在一张知识图谱里面考虑，并且用GCN的方式吸收邻居的表达，并且随着迭代次数的增加，可以提取到用户“长距离”的兴趣，这在普通MLP...
论文阅读【Knowledge Graph Convolutional Networks for Recommender Systems】
m0_51494257的博客
03-27 367
build_model(n_user, n_entity, n_relation) # 构建模型，在此生成embeddding user_emb_matrix（用户矩阵，大小：用户数*32）、entity_emb_matrix（实体矩阵，大小：实体书*32）、relation_emb_matrix（关系矩阵，大小：关系数*32）。对于N（v）中的每个实体e，其和项目vj的关系得到r，继而得到r和用户u的关系。将这些得到关系进行正则化，就可以得到实体e，e和项目v的关系r和用户u的关系。
论文-Knowledge-aware Graph Neural Networks with LabelSmoothness Regularization for Recommender System
qq_40313533的博客
10-10 826
Wang H , Zhang F , Zhang M , et al. Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems[C]// the 25th ACM SIGKDD International Conference. ACM, 2019. 原文：https://dl.acm.org/doi/10.1145/3292500.3330836 1...
知识图谱论文阅读（十六）【WWW2019】Knowledge Graph Convolutional Networks for Recommender
qq_35222729的博客
09-05 990
题目： KGCN 论文链接： 代码链接：https://github.com/hwwang55/KGCN 想法 创新 摘要 为了充分利用KG中的信息，我们会扩展某个实体的感受野到multi-hop来捕获KG的高级结构信息和语义信息。 数据集： 电影、书籍和音乐推荐 Introduction 常用的KGE方法侧重于建模严格的语义相关性(如TransE[1]和TransR[12]假设头+关系=尾)，更适合KG补全和链接预测等图内应用，而不是推荐。 一种常见的方法是设计一种图算法来利用图结构！ 也就是在图上传.
知识图卷积网络推荐系统
lisa丶
04-25 1140
再不开学我就要忘记自己还是个学生了~ 在家待废系列。。。更新一篇论文吧 跟上一篇超级像，少了标签平滑，也算是首次直接在知识图谱上做推荐吧 同样的人，同样的工作，不同的论文~ www 2019 PS：由于文字复制粘贴比较麻烦，还有一些特殊公式（可能是我没有找到简便的方法，hahaha），都是以图片形式粘贴而来，毕竟我英语不太好，看论文都是翻译后看的~ 有需要翻译文档的自行评论留地址哈，期待与大佬...
KGAT: Knowledge Graph Attention Network for Recommendation
qq_41621342的博客
04-29 1745
该图以虚线分割为左右子图。左边的子图展示了KGAT的模型框架，该模型框架又分为三层：（1）CKG Embedding Layer （2）Attentive Embedding Propagation Layers （3）Prediction Layer .右边的子图是对KGAT模型第（2）层Attentive Embedding Propagation Layers过程的详细可视化描述。 （1）...
【推荐算法】Knowledge-aware Graph Neural Networks with Label Smoothness Regularization(KGNN-LS)论文笔记
Fairyeng的博客
03-25 1890
题目：Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems 作者：Hongwei Wang 利用知识图谱做推荐，加入了标签平滑正则化。
论文浅尝 | 最新10篇《知识图谱》论文推荐(ICML, CVPR, ACL, KDD, IJCAI 2019)
开放知识图谱
06-11 6571
本文转载自公众号：专知。【导读】知识图谱一直是研究热点，研究者近年来广泛关注知识图谱嵌入（Knowledge Graph Embedding，简称KGE）方法，在保留...
NIPS 2018 收录论文及下载链接
热门推荐
愿十四亿神州尽舜尧
05-08 2万+
Efficient Algorithms for Non-convex Isotonic Regression through Submodular OptimizationFrancis Bach Structure-Aware Convolutional Neural NetworksJianlong Chang,Jie Gu,Lingfeng Wang,GAOFENG MENG,...
推荐系统的发展与简单回顾
Oner.wv的专栏
12-31 897
“本文结合百度和支付宝两段推荐系统相关的实习经历，针对工业界的模型发展做了简单梳理与回顾,涵盖表示学习，深度学习，强化学习知识图谱以及多任务学习”表示学习和深度学习在推荐系统中的应用是...
graph neural networks in recommender systems: a survey
最新发布
04-06
这篇论文主要介绍了在推荐系统中使用图神经网络的研究进展与应用。通过分析和比较现有的方法和模型，总结了图神经网络在推荐系统中的优点和不足，并提出了未来的研究方向。该论文对于推动图神经网络在推荐系统中的...
评论 1
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