Author:Xiang Wang、 Xiangnan He∗、Meng Wang、Fuli Feng、Tat-Seng Chua
Motivation:
从矩阵分解到最近融合深度学习的方法,获得用户(物品)embedding的典型方法都是通过映射已经存在的特征(ID、attributes)去描述用户,建模是通过重构用户-物品的历史交互。作者认为上述方法有个内在缺陷:没有在建模用户-物品历史交互中编码collaborative signal,这就导致了利用CF建模得到的embedding不是足够好的。
从而提出了NGCF,明确显性的建模了collaborative signal在嵌入训练的过程。
Contribute:
1.强调了在基于模型的CF中,嵌入函数利用collaborative signal的重要性。
2.提出了一个新的基于图神经网络的推荐系统框架——NGCF,通过执行embedding传播,明确的编码了高阶连通性的collaborative signal。
3.大量实验证明了neural embedding propagation是有效的,提高了embedding的质量。。
Method:
1.embedding layer : offer and initialization of user embeddings and item embeddings.
2.multiple embedding propagation layers : refine the embeddings by injecting high-order connectivity relations.
3.prediction layer: aggregate the refined embeddings from different propagation layers and outputs the affinity score of a user-item pair.
4.optimization: BPR Loss
Dataset:
Baselines:
MF、NeuMF、CMN、HOP-Rec、PinSage、GC-MC、SpectralCF
1.不同算法比较性能
2.不同稀疏度比较性能
3.不同数量的embedding传播层比较性能
4.不同的卷积层比较性能
5.节点失活和消息失活比较性能
6.MF和NGCF在每个epoch下的测试性能比较
7.可视化高阶连通性的影响