【GCN-RS】经典工作：NGCF、LightGCN、LR-GCCF（代码实现）

开源了一个小项目，将一些经典的RS模型整合到一套代码中，可以作为学习参考，
GitHub地址：https://github.com/ChadsLee/RS_Zoos

NGCF：Neural Graph Collaborative Filtering (SIGIR’19)

前文GCN中的邻接矩阵$A$可以表征数据之间的关联，在这里换了一个说法，叫做“CF signal”。

假设用户为$u$，物品为$i$，我们可以画出user-item的二部图，同时根据二部图可以将$u_1$的高维连接表示出来，如下图所示:

模型框架主要有三个部分组成：

• Embedding Layer：提供初始的user embedding 和 item embedding
• Multiple Embedding Propagation Layers：通过注入高阶连接关系来细化嵌入
• The Prediction Layer：通过整合多层嵌入来预测$(u,i)$

Embedding Layer

$$\mathbf{E}=[\underset{\text{users embeddings }}{\underbrace{{\mathbf{e}}_{u_1},\cdots ,{\mathbf{e}}_{u_N}}},\underset{\text{item embeddings }}{\underbrace{{\mathbf{e}}_{i_1},\cdots ,{\mathbf{e}}_{i_M}}}]$$

d维embedding，没什么好说的，如果是矩阵分解，${\mathbf{e}}_u$和${\mathbf{e}}_i$一乘就就是预测结果了。

Embedding Propagation Layers

$u->i$和$i->u$是一样的，这里以$u$为例。首先考虑一层，对应一阶的情况。

first-order propagation

物品$i$传递给消费过他的用户$u$的信息可以表达为：
$$\begin{gathered} {\mathbf{m}}_{u\leftarrow i}=f\left({\mathbf{e}}_i,{\mathbf{e}}_u,p_{ui}\right) \\ {\mathbf{m}}_{u\leftarrow i}=\frac{1}{\sqrt{\left|{\mathcal{N}}_u\right|\left|{\mathcal{N}}_i\right|}}\left({\mathbf{W}}_1{\mathbf{e}}_i+{\mathbf{W}}_2\left({\mathbf{e}}_i\odot {\mathbf{e}}_u\right)\right), \end{gathered}$$
$W_1$ 和$W_2$是训练出来的权重矩阵，维度为$d\ast d^{\prime }$，$\frac{1}{\sqrt{|{\mathcal{N}}_u||{\mathcal{N}}_i|}}$就是衰减因子$p_{ui}$。

信息聚合：