GCN-RS是一种用于图异质多关系推荐的方法，通过Embedding Propagation Layers处理用户与物品间的多种交互行为。模型利用多任务预测和高效的无采样多任务学习策略，实现高精度的推荐。在预测阶段，模型通过点积运算结合不同行为的特征向量，估计用户在特定行为上对物品的偏好概率。通过优化目标函数，平衡各个任务的损失并控制参数的权重。
Graph Heterogeneous Multi-Relational Recommendation（AAAI’21）
多行为多任务的推荐任务在图上属于异质图推荐，用户和物品可能有多种交互行为，不同的行为代表图上不同的边。这时就可以借鉴知识图谱的做法，给不同的边也赋予embeddeding：
不同的交互行为可以表示成： { Y ( 1 ) , Y ( 2 ) , … , Y ( K ) } \left\{\mathbf{Y}_{(1)}, \mathbf{Y}_{(2)}, \ldots, \mathbf{Y}_{(K)}\right\} { Y(1),Y(2),…,Y(K)}，其中 Y ( k ) = [ y ( k ) u v ] ∣ U ∣ × ∣ V ∣ ∈ { 0 , 1 } \mathbf{Y}_{(k)}=\left[y_{(k) u v}\right]_{|\mathbf{U}| \times|\mathbf{V}|} \in \{0,1\} Y(k)=[y(k)uv]∣U∣×∣V∣∈{ 0,1} 代表用户 u u u是否和物品 v v v交互了行为 k k k，一共 K K K种行为。
Embedding Propagation Layers
Node的消息传递：
e u ( l ) = σ ( ∑ ( v , r ) ∈ N ( u ) 1 ∣ N u ∣ ∣ N v ∣ W ( l ) ϕ ( e v ( l − 1 ) , e r ( l − 1 ) ) ) \mathbf{e}_{u}^{(l)}=\sigma\left(\sum_{(v, r) \in \mathcal{N}(u)} \frac{1}{\sqrt{\left|\mathcal{N}_{u}\right|\left|\mathcal{N}_{v}\right|}} \mathbf{W}^{(l)} \phi\left(\mathbf{e}_{v}^{(l-1)}, \mathbf{e}_{r}^{(l-1)}\right)\right) eu(l)=σ⎝⎛(v,r)∈N(u)∑∣Nu∣∣Nv∣1W(l)ϕ(ev(l−1),er(l−1))⎠⎞
这里 W l W^{l} Wl是这一层的共享参数， e r e_r er是代表relation的向量，维度和 e u
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
