INDUCTIVE MATRIX COMPLETION BASED ON GRAPH NEURAL NETWORKS

于 2022-06-04 00:07:43 发布
阅读量305 收藏 2
点赞数
分类专栏： 时空数据预测（基于图神经网络） 文章标签： 机器学习 神经网络 深度学习
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/zj_18706809267/article/details/125047082
版权

INDUCTIVE MATRIX COMPLETION BASED ON GRAPH NEURAL NETWORKS

摘要：在本文中，我们提出了一个基于归纳图的矩阵补全(IGMC)模型来解决这个问题。IGMC纯粹基于评价矩阵生成的(用户、物品)对周围的1跳子图来训练图神经网络(GNN)，并将这些子图映射到相应的评价。它以最先进的传感器基线实现高度竞争性能。此外，IGMC是归纳性的，它可以泛化到在培训期间看不到的用户/项目(假设它们的交互存在)，甚至可以转移到新的任务。我们的迁移学习实验表明，从MovieLens数据集训练出来的模型可以直接用于预测豆瓣电影的评分，并具有令人惊讶的良好性能。我们的工作表明:1)可以在不使用边信息的情况下训练归纳矩阵补全模型，同时获得与最先进的传导方法相似或更好的性能;2)围绕(用户，物品)对的局部图形模式是该用户对物品评级的有效预测器;和3)远程依赖性可能不是建模推荐系统所必需的。

框架

文中有趣地方：将矩阵缺失值的问题转化为图上的问题，然后利用GNN方法进行补全。

西西弗的小蚂蚁
关注
专栏目录
A Comprehensive Survey on Graph Neural Networks(图神经网络综合研究)
weixin_41697507的博客
07-06 7470
A Comprehensive Survey on Graph Neural Networks Zonghan Wu, Shirui Pan, Member, IEEE, Fengwen Chen, Guodong Long, Chengqi Zhang, Senior Member, IEEE, Philip S. Yu, Fellow, IEEE Abstract—Deep learning ...
Graph Neural Networks: A Review of Methods and Applications（图神经网络：方法与应用综述）
weixin_41697507的博客
07-06 5468
Graph Neural Networks: A Review of Methods and Applications Jie Zhou , Ganqu Cui , Zhengyan Zhang , Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun Abstract—Lots of learning tasks req...
IGMC，Inductive graph-based matrix completion，基于归纳图的矩阵完成
人工智能曾小健
07-26 852
基于归纳图的矩阵完成 (IGMC，Inductive graph-based matrix completion) About IGMC is aninductivematrix completion model based on graph neural networkswithoutusing any side information. Traditional matrix factorization approaches factorize the (rating) matrix into...
Neural Inductive Matrix Completion with Graph Convolutional Networks for miRNA-disease Association Prediction
02-11
Neural Inductive Matrix Completion with Graph Convolutional Networks for miRNA-disease Association Prediction
Inductive Matrix Completion Based on Graph Neural Networks
weixin_44676142的博客
08-14 2668
参考文献 Inductive Matrix Completion Based on Graph Neural Networks - ICLR 2020 〇、相关工作 1、Graph Neural Network 图神经网络(GNNs)是一种用于在图形上学习的新型神经网络。主要分为两种类型：Node Level GNNs和Graph Level GNNs。Nodelevel GNNs使用消息传递层在每个节点与其邻居之间迭代传递消息，以便为编码其局部子结构的每个节点提取特征向量。Graph level
论文了解----inductive matrix completion
m0_51312071的博客
02-19 448
Jain P, Dhillon I S. Provable inductive matrix completion[J]. arXiv preprint arXiv:1306.0626, 2013. 摘要： Consider a movie recommendation system where apart from the ratings information, side information such as user’s age or movie’s genre is also available.
论文笔记：Predicting miRNA–disease association based on inductive matrix completion
rain19982016的博客
12-23 2531
代码：https://github.com/IMCMDAsourcecode/IMCMDA 摘要 **动机:**研究表明，miRNAs在与人类疾病相关的各种生物过程中起着关键作用。考虑到生物实验的成本和复杂性，预测微小核糖核酸和疾病之间潜在联系的计算方法将是一个有效的补充。 **结果:**本文提出了一种新的用于微小核糖核酸-疾病关联预测的诱导矩阵完成模型。基于miRNA功能相似性、疾病语义相似性和高斯交互分布核相似性计算整合miRNA相似性和疾病相似性。主要思想是基于已知的关联以及整合的miRNA相似性和疾
IGMC:“基于M. Zhang和Y. Chen的基于归纳图的矩阵完成（IGMC），基于图神经网络的归纳矩阵完成，ICLR 2020聚焦”
05-04
IGMC-基于归纳图的矩阵完成 更新 2020年11月23日：进一步优化了子图的提取速度。 在大型数据集上，显示速度提高了20倍。 2020年8月27日：显着提高了子图提取速度。 使用8核计算机，现在分别只需30秒和10分钟即可提取ml_100k和ml_1m的子图。 使用--dynamic-dataset还可以显示大约50％的加速。 关于 IGMC是基于图神经网络的归纳矩阵完成模型，不使用任何辅助信息。 传统的矩阵分解方法将（定级）矩阵分解为行（用户）和列（项目）的低维潜在嵌入的乘积，这是可转导的，因为学习的嵌入无法推广到看不见的行/列或新矩阵。 为了使矩阵完成具有归纳性，必须事先使用内容（辅助信息），例如用户的年龄或电影的流派。 但是，高质量的内容并不总是可用，并且可能难以提取。 在极端的情况下，除了要完成的矩阵之外，没有其他可用的辅助信息，我们还能学习归纳矩阵完成模型吗？ IGMC通
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4192
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
【综述笔记】Graph Neural Networks in Recommender Systems
weixin_45519842的博客
12-08 1634
原文链接：https://arxiv.org/pdf/2011.02260.pdfAbstract如今推荐系统的研究非常火热，GNN也在很多领域表现优异。推荐系统主要的挑战是从历史交互(...
论文笔记：Graph Convolutional Matrix Completion
qq_44015059的博客
07-17 2515
前言 内容转载自:https://blog.csdn.net/yyl424525/article/details/102747805 仅作为学习笔记之用 论文链接：https://www.kdd.org/kdd2018/files/deep-learning-day/DLDay18_paper_32.pdf github：https://github.com/SongFGH/gc-mc-pytorch(pytorch版本复现) 图卷积神经网络（GCN）是现在深度学习的热点之一，这篇文章基于user-item
GCMC - Graph Convolutional Matrix Completion 图卷积矩阵补全 KDD 2018
热门推荐
知行合一，止于至善
10-25 1万+
文章目录1 相关介绍1.1 背景1.2 side information1.3 contributions1.4 相关介绍自编码器矩阵分解模型Matrix completion with side information2 在二部图中矩阵补全作为一种连接预测2.1 符号定义2.2 Revisiting graph auto-encoders 图自编码器2.3 Graph convolutional...
ICLR2020国际会议焦点论文(Spotlight Paper)列表（内含论文源码）
yinizhilianlove的博客
02-21 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-02-21     2020年的ICLR会议将于今年的4月26日-4月30日在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。     2020年ICLR会议（Eighth International Con...
Modeling Relational Data with Graph Convolutional Networks
奇点Peter
03-04 1531
解读1 解读2
论文《Modeling Relational Data with Graph Convolutional Networks》解读
luoxuexiong的博客
04-03 5641
《Modeling Relational Data with Graph Convolutional Networks》 本论文发表在arxiv2017。 论文思路： 论文引入了关系图卷积网络(R-GCNs)，并将其应用于两个标准知识库上完成任务:链接预测(恢复缺失的事实，即主题-谓词-对象三元组)和实体分类(恢复缺失的实体属性)。RGCNs是专门为处理具有高度多关系数据特征的现实知识库。证明...
矩阵补全
sdgyfbtnyj的博客
08-28 7195
信号在一组基下是稀疏的且满足一定条件时，压缩感知理论证实了可以通过求解L1最小化问题来精确地恢复所有元素。 当信号用矩阵形式表示时，当矩阵的奇异值具有稀疏性（即矩阵是低秩的）且采样数目满足一定条件时，大多数矩阵可以通过求解核范数最小化问题来精确地恢复所有元素，称为矩阵补全。 近年来涌现出了许多求解秩最小化问题的启发式方法，这些方法主要分为两类： 一类是将秩函数凸松弛到矩阵核范数，建立核范数优化模型...
基于图神经网络的归纳矩阵补全
huang_shao1的博客
10-30 2633
Inductive Matrix Completion Based on Graph Neural Networks 参考文献 Inductive Matrix Completion Based on Graph Neural Networks - ICLR 2020 〇、相关工作 1、Graph Neural Network 图神经网络(GNNs)是一种用于在图形上学习的新型神经网络。主要分为两种类型：Node Level GNNs和Graph Level GNNs。Nodelevel GN.
论文阅读 Link Prediction Based on Graph Neural Networks
kindred_joe的博客
10-23 6526
论文阅读 Link Prediction Based on Graph Neural Networks 摘要 链路预测是图的关键问题。边预测启发式算法使用一些评分函数，如公共邻域和katz指数，来测量边的可能性。由于它们的简单性、可解释性和可伸缩性，它们获得了广泛的实际应用。然而，每种启发式算法都有一个很强的假设，即当两个节点可能有边，这就限制了它们在这些假设失败的图上的有效性。在这方面，一个更合...
【综述】矩阵补全问题
B417科研笔记
11-02 8097
前言 最近接触到这个问题， 看了一些相关的资料，觉得维基百科的介绍是最为精炼详实的， 以这篇笔记翻译了一下， 也供自己查阅所用。 矩阵补全 顾名思义， 矩阵补全就是指将一个部分元素已知的矩阵的缺失值补全的问题。 这个问题的著名背景是美国的视频公司Netflix提出了这样的问题， 给出一个矩阵， 其每行代表一个用户， 每列则代表用户所看过的电影。 这样一个矩阵的维度是非常庞大的， 因此Netflix公司希望可以只储存其中的个别值，就能将矩阵进行补全， 算是一种信息的压缩。 如果没有任何其他的辅助限制的话，
relational inductive biases, deep learning, and graph networks
最新发布
04-11
关系归纳偏置、深度学习和图网络的关系是什么？ 这是关于深度学习和图网络之间的关系以及它们如何利用关系归纳偏置的一个问题。关系归纳偏置指的是，在处理一个含有关系的问题时，我们的大脑有一些天然的偏好和策略来处理这种关系性信息，这些偏好和策略被认为是在我们学习中的重要因素。图网络是由节点和边组成的结构，能够代表关系，而深度学习是一种机器学习方法，它可以根据大量数据学习到关系归纳偏置，从而更好地处理关系性信息。因此，关系归纳偏置在深度学习和图网络的设计中起着重要的作用。
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