GNN在推荐系统的应用——＞GC-MC与STAR-GCN

原创 已于 2022-04-13 21:38:04 修改 · 3.3k 阅读 · 12
标签
#人工智能
于 2022-04-13 21:34:41 首次发布
本文探讨了图神经网络在推荐系统中的应用，介绍了GC-MC和STAR-GCN两种算法，重点讲解了它们的结构、编码解码过程、损失函数、直推策略及改进措施。STAR-GCN针对GC-MC的不足进行了优化，尤其是在处理冷启动问题和泄漏问题上取得了显著效果。

GNN ——> 推荐系统（两个算法）

文章目录

前言

部分资源来自于Youtube

一、GC-MC

1、总体结构

在这里插入图片描述

首先进行one-hot编码，得到X矩阵，结合M（用户-商品交互矩阵）进行编码工作，得到U和V矩阵

然后对U和V进行解码工作，得到一个新的交互矩阵，其中原本的空白值也得到了填充

2、Graph Encoder部分

对一个用户u来说，评分过的商品得到了不同的分数，将相同评分的商品统一的利用Wi矩阵进行转化取平均，将不同分数得到的向量结果进行累加、激活，和矩阵W进行相乘，就得到了hui的表示，如下图所示（对于商品v也一样）
在这里插入图片描述

3、Graph Decoder部分

对于useri和Itemj对不同的评分定义为Mij，对应的不同概率通过softmax计算出来，Qr和QS都是可训练的参数矩阵，便于结合u和v的维度
最后将基于不同评分下的预测矩阵进行有权值的累加，就得到了最后的预测值
在这里插入图片描述

最低0.47元/天 解锁文章
GNN推荐算法（二）—Multi-GCCF：物尽其用
weixin_44027006的博客
05-19 1500
Multi-GCCF：物尽其用 1 一点点引入 Multi-Graph convolution collaborative filtering（Multi-GCCF） 属于基于图神经网络的协同过滤算法。 协同过滤算法通常基于这样一个假设：相似的用户往往喜欢同样的item，而具有相似客户的item往往会得到相似的评分。所以，大多数协同过滤算法基于user-item二分网络做出推荐，但由于在实际场景中每个user所对应的item数量是有限的，这就会导致构造出的user-item二分网络非常稀疏。此时，使用图卷
【论文阅读】GNN在推荐系统中的应用
qq_33934427的博客
05-29 4260
【论文阅读】GNN在推荐系统中的应用
【推荐系统】User-Item CF：GC-MC
zzy_NIC的博客
01-24 1150
本次解读的文章是 2017 年 arXiv 的一篇基于图卷积神经网络的用户物品协同过滤推荐算法论文，名为《Graph Convolutional Matrix Completion》
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 2万+
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...
图神经网络在推荐系统的应用研究综述
SmartLab307的博客
03-08 3462
概要 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(historical interactions)和边信息(side information)中学习有效的用户(user)和物品(item)表示，由于很多信息具有图结构，而且GNN擅长表示学习，所以很多工作将GNN应用到推荐系统中。 本文是北京大学相关团队发表的一篇「基于GNN的推荐系统」方向的综述，文章回顾了近几年GNN在推荐系统中的相关工作，提出了一个新的分类体系，并阐述了有关该领域未来发展的新观点。 ..
Graph Neural Networks in Recommender Systems: A Survey
beginerToBetter的博客
02-06 2816
Graph Neural Networks in Recommender Systems: A Survey 在推荐系统中主要的挑战是从用户的交互和可以得到的辅助信息中学到有效的用户/物品的表示；很多信息基本上都存在图结构（用户之间的社交关系和物品的知识图谱，用户和物品之间的交互可视为二部图，序列中物品的转移同样可被构建为图结构）且GNN在表示学习上具有优越性（图神经网络可以捕捉用户物品关系之间的高阶连接通过迭代的信息传播），所以在推荐系统中使用图神经网络的工作大量的涌现。有效的推荐系统：准确的捕捉用户的偏
二部图最大权匹配_图神经网络在推荐系统的应用研究综述
weixin_33600816的博客
12-21 873
作者 | yone来源 | https://arxiv.org/pdf/2011.02260.pdf编辑 | 何无涯的技术小屋公众号本文仅作学术交流，如有侵权，请联系后台删除概要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(historical interactions)和边信息(side information)中学习有效的用户(user)和物品(ite...
GLRS in sequence 文章汇总
05-28 198
总结一下自己读过的图+sequence+推荐方向的文章 FGNN论文阅读 Graph Convolutional Matrix Completion，GC-MC STAR-GCN: Stacked and Reconstructed Graph Convolutional Networks for Recommender Systems 论文阅读 Graph Neural Networks for Social Recommendation 社交信息引入图推荐 Session-based Recommend
【综述笔记】Graph Neural Networks in Recommender Systems
weixin_45519842的博客
12-08 1859
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】GC-MC论文相关
MatchaApril的博客
07-08 1021
GC-MC论文阅读相关
GC 基础入门
最新发布
2404_84768005的博客
02-15 2579
手动内存管理（Manual Memory Management）自动内存管理（Garbage Collection, GC）本文提出了一种适用于非常大的虚拟内存环境的列表处理系统的垃圾回收算法。该算法的主要目的不是“释放空闲内存”，而是压缩活动内存(compaction)。在虚拟内存系统中，由于空闲内存实际上并不会耗尽，因此很难决定何时触发垃圾回收。因此，本文讨论了触发垃圾回收的各种条件。（虚拟内存(Virtual Memory)：一种逻辑上管理超出物理内存大小的大容量内存的技术。
【GNN】GCMC：GNN 在推荐系统中的应用
阿泽的学习笔记
06-09 4156
今天学习的是 KDD18 的一篇论文《Graph Convolutional Matrix Completion》，作者是阿姆斯特大学的同学，Thomas N. Kipf 大佬是二作。 前面我们介绍了 Kipf 大佬利用变分自编码器（VGAE）来完成链接预测问题，链接预测问题放在矩阵中可以被认为是矩阵补全。这篇论文在 VGAE 的基础上提出了 GCMC 模型，设计了一个可微的基于消息传递的图自编码框架进行矩阵补全（matrix completion），同时考虑边信息和网络结构，并分析了边信息在推荐系统冷启动
Graph Neural Networks for social Recommendation基于图神经网络的社交推荐系统 by JD.com WWW会议
goto_past的博客
10-07 2385
Graph Neural Networks for social Recommendation Abstract 传统社交推荐系统中的数据可以表示为用户-用户社交图(user-user social graph)和用户-项目图（user-item graph），本文针对此提出应用GNN提高推荐的效果并解决了如下挑战：1、用户-项目图对交互及用户意见的编码;2、社会关系异质性的表示;3、两种图形的综合考虑。 在本文中，提出了一个新颖的社交推荐图神经网络框架(GraphRec)。另外，作者提供了一种建模方法来联
DGL图异构神经网络
weixin_43964189的博客
12-31 6273
DGL图异构神经网络 什么是异构图？ 传统同构图（Homogeneous Graph）数据中只存在一种节点和边，因此在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间。而异构图（Heterogeneous Graph）中可以存在不只一种节点和边，因此允许不同类型的节点拥有不同维度的特征或属性。 这一特点使得异构图的应用十分广泛。事实上，如果用图来描述我们和周围事物的关系就会发现...
【亲测免费】 GNN-Recommendation：利用图神经网络进行高效推荐
gitblog_00091的博客
04-05 907
GNN-Recommendation：利用图神经网络进行高效推荐 在大数据和人工智能时代，推荐系统已经成为了互联网产品中的重要组成部分，它能够为用户提供个性化的内容或服务。而GNN-Recommendation 是一个基于图神经网络（Graph Neural Network, GNN）的开源推荐系统框架，旨在提升推荐的准确性和效率。 项目简介 GNN-Recommendation 是一个探索如何将...
GNN 推荐系统综述 - Graph Neural Networks in Recommender Systems: A Survey
SmartLab307的博客
12-01 1601
本文是一篇推荐系统综述，介绍了Graph Neural Networks，Recommender System方面的相关内容
STAR-GCN: Stacked and Reconstructed Graph Convolutional Networks for Recommender Systems 论文阅读
05-02 896
文章目录MotivationContributionSolution图的结构输入节点表示方式Encoder和Decoder的说明encoderdecoderLoss避免标签泄露EvaluationTransductive Rating PredictionInductive Rating PredictionSummarization Motivation 以往的GC-MC模型效果虽然很好，但是它存在以下不足： 使用 one-hot 向量作为节点输入，导致输入维度和结点总数成比例，从而无法应用在大规模数据
图神经网络（五）基于GNN的图表示学习（4）基于图自编码器的推荐系统实战代码
weixin_43360025的博客
05-08 2050
图神经网络（五）基于GNN的图表示学习（4）基于图自编码器的推荐系统实战代码基于图自编码器的推荐系统实战代码代码说明autoencoder.pydataset.pymain.py运行结果 基于图自编码器的推荐系统实战代码 代码说明  本次实验是在 Pycharm 上完成，将以下Python文件代码导入即可，如下图所示，然后直接运行即可。 autoencoder.py import torch import torch.nn as nn import torch.nn.functional as F im
STAR-GCN：用于推荐系统的图卷积神经网络 IJCAI 2019
u013602059的专栏
07-26 3498
论文链接：https://www.ijcai.org/Proceedings/2019/0592.pdf 代码链接：https://github.com/jennyzhang0215/STAR-GCN 论文来源：IJCAI 2019 摘要 文章针对推荐系统提出了一种新的堆叠和重构图卷积网络(STAR-GCN)结构来学习节点的表征，提高推荐系统的效率，特别是在冷启动场景。STAR-GCN采用一堆GCN编码器/解码器与中间监督相结合，以提高最终预测性能。同图卷积矩阵分解模型用one-hot节点作为输入不同，S.
探索GNN-Recommender-Systems：下一代推荐系统的新范式
gitblog_00015的博客
04-11 716
探索GNN-Recommender-Systems：下一代推荐系统的新范式 在大数据和人工智能的时代，推荐系统已成为我们日常生活中的重要组成部分，为用户提供个性化的内容和服务。 是清华大学纤维科学与信息生物学实验室推出的一个开源项目，它利用图神经网络（Graph Neural Networks, GNN）对推荐系统进行革新，旨在提供更精准、更智能的推荐策略。 项目简介 GNN-Recommende...
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