NGCF:Neural Graph Collaborative Filtering

已于 2024-04-29 16:55:42 修改
阅读量2.1k 收藏 46
点赞数 45
分类专栏： 文献笔记 文章标签： 笔记 推荐算法
于 2024-04-05 14:59:32 首次发布
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.youkuaiyun.com/Guozyan/article/details/137400548
版权
NGCF是一种将用户-项目交互的高阶连接性编码到嵌入过程中的推荐系统算法。通过在图上传播嵌入，它可以捕获协同过滤效应，改善用户和项目的嵌入表示。模型包括嵌入层、多层嵌入传播层和预测层，使用BPR损失进行优化，并在多个数据集上表现出优越的性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Neural Graph Collaborative Filtering

SIGIR-Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, Tat-Seng Chua-2019

思路

  1. 通过映射预先存在的描述用户或项目的特征来获取用户或项目的嵌入，例如ID，属性，这种方法的缺陷在于用户-项目互动中隐含的协同信号并未在嵌入过程中进行编码，因此，生成的嵌入可能不足以捕捉协同过滤效应。本文提出将用户-项目互动（尤其是二部图结构）更具体的集成到嵌入过程中，有了NGCF->通过在图上传播嵌入来利用图结构，这可以使图的高阶连接能够得到表达，有效地以显式的方式将协同信号注入嵌入过程。
  2. 将用户-项目交互集成到函数中是有用的，但这个操作并不容易，在本工作中，我们通过利用用户项目交互的高阶连接性来解决这项挑战，这是一种在交互图结构中编码协作信号的自然方式。建议在嵌入函数中对高阶连通性信息进行建模。设计了一个神经网络的方法在图上来传播嵌入递归。具体来说，我们设计了一个嵌入传播层，通过聚合交互项目或用户的嵌入来细化用户或项目的嵌入，通过堆叠多个嵌入传播层，可以强制嵌入以捕获高阶连接中的协作信号。

NGCF模型

有三个组件，分别是嵌入层、多个嵌入传播层、预测层。

  1. 嵌入层：在这里插入图片描述
    <
最低0.47元/天 解锁文章
Neural Graph Collaborative Filtering
Dive的博客
01-13 1035
目录2 METHODOLOGY 2 METHODOLOGY
神经图协同过滤（Neural Graph Collaborative Filtering）
xianfishY的博客
11-25 2795
神经图协同过滤（NGCF） 文章目录神经图协同过滤（NGCF）前言一、简介二、理论1.模型图2.嵌入层3.嵌入传播层3.1一阶传播3.2高阶传播4.模型预测5.优化实验1.数据集描述2.实验设置四.结果 前言 Embedding是现代推荐系统的核心。 从早期的矩阵分解到最近的基于深度学习的方法，都是通过映射用户(或物品)的已存在的特征(例如ID)来获得用户(或物品即项目)的嵌入向量。 这种方法的一个固有缺陷是：用户-物品交互中潜在的协作信号没有被编码到嵌入向量中。 因此，所得到的嵌入可能不足以捕捉协同
【论文笔记】Neural Graph Collaborative Filtering --- SIGIR2019
weixin_44884854的博客
10-11 1840
本文提出了一个基于图结构的新型推荐系统模型NGCF。它通过在用户-物品图中建立高阶连通性表达模型，把协同信号显式的注入了用户（物品）的embeddings过程中。 摘要 学习向量表示（embeddings），用户和项目的嵌入性是现代推荐系统的核心。从最初的矩阵分解到最近出现的基于深度学习的方法，都是从先前存在的特征来表示用户（物品）的嵌入。这些方法的一个固有缺点是协同信号（collaborative signal），在用户和物品的交互中式隐藏的，在嵌入过程中没有被编码。这样，最后的嵌入可能不足够获.
论文笔记（Neural Graph Collaborative Filtering）
CICI❤️的博客
08-19 7441
神经图协同过滤 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理：在 user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Social...
【推荐算法论文阅读】Neural Graph Collaborative Filtering
qq_36643449的博客
03-17 2124
一、背景 协同过滤学习模型从项目的丰富侧面信息中学习的深层表示来扩展MF嵌入功能；神经协同过滤模型则用非线性神经网络取代内积的MF交互函数。 以上的方法都是有效的，但是却无法为CF提供合适的嵌入，这是因为缺少一个协同信号（它潜伏在用户与项目之间的交互中，以揭示用户(或项目)之间的行为相似性。）更具体的是，现有的大多数方法只使用描述性的特性(例如id和属性)构建嵌入功能，而不考虑用户-项目的交互，这些功能只用于定义模型训练的目标函数。因此必须依赖交互功能弥补次优嵌入的不足。虽然直接地使用交互功能能弥补次优嵌入
论文解析：Neural Graph Collaborative Filtering
da_kao_la的博客
03-11 1235
论文解析：Neural Graph Collaborative Filtering 作者：Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, Tat-Seng Chua（新加坡国立大学） 会议：SIGIR 2019 方法 和Graph Convolutional Matrix Completion一样，Neural Graph Collaborativ...
【论文笔记】Neural Graph Collaborative Filtering
qq_42924581的博客
10-25 690
《Neural Graph Collaborative Filtering 》论文学习 文章目录《Neural Graph Collaborative Filtering 》论文学习摘要一、介绍二、NGCF2.1 Embedding Layer2.2 Embedding Propagation Layers单层传播层多层传播层2.3 Model Prediction3 实验4 总结 摘要 1、作者认为，通过user、item的ID、属性映射得到的embedding缺失了他们的交互过程，因此不足以捕捉协同
Neural Graph Collaborative Filtering（NGCF）学习笔记
DreamOfDragon的博客
12-09 9643
Neural Graph Collaborative Filtering INTRODUCTION 可学习CF模型有两个关键组成部分： 1.embedding 嵌入：它将用户和项目转换为矢量化表示 2.interaction modeling 交互建模：它基于嵌入重建历史交互 矩阵分解(MF)直接将用户/项目ID嵌入为一个向量，并用内积对用户-项目交互进行建模[20]；协同深度学习通过整合从项目丰富的边信息中学习到的深度表示，扩展了MF嵌入功能[30]；神经协同过滤模型用非线性神经网络代替内积的MF交互作用
2019_SIGIR_Neural Graph Collaborative Filtering
weixin_46645827的博客
03-03 1581
[论文阅读笔记]2019_SIGIR_Neural Graph Collaborative Filtering 论文下载地址： https://doi.org/10.1145/3331184.3331267 发表期刊：SIGIR Publish time: 2019 作者及单位: Xiang Wang National University of Singapore xiangwang@u.nus.edu Xiangnan He∗ University of Science and Technology
论文笔记：Neural Graph Collaborative Filtering
qq_44015059的博客
07-20 1430
前言 论文链接：https://arxiv.org/abs/1905.08108 github：https://github.com/talkingwallace/NGCF-pytorch 参考：https://www.jianshu.com/p/16c8973ef8ff https://zhuanlan.zhihu.com/p/110682271 https://blog.youkuaiyun.com/weixin_37913042/article/details/99712729 CF方法： 协同过滤学习模型从项
Neural Graph Collaborative Filtering【阅读笔记】
xzq_13972146251的博客
03-09 738
文章目录1.文章为了解决什么问题？2.文章提出了什么方法？3.模型架构以及原理？ Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, and Tat-Seng Chua. 2019. Neural Graph Collaborative Filtering. In SIGIR. 165–174. 这篇文章是何向南团队在2019发表在SIGIR上的，将神经网络融入到推荐系统里面。 1.文章为了解决什么问题？ 学习向量表示（embeddings），用户和项目的嵌入是
文献阅读总结（3）Neural Graph Collaborative Filtering
hh___56789的博客
11-28 875
Neural Graph Collaborative Filtering
第九周.01.Neural Graph Collaborative Filtering
老毛的博客
08-03 477
文章目录CF+GNN的原理模型框架论文泛读摘要Introduction其他内容 本文内容整理自深度之眼《GNN核心能力培养计划》 公式输入请参考：在线Latex公式 论文：Neural Graph Collaborative Filtering PPT 代码 别人的翻译：https://www.jianshu.com/p/95da9785bea8 发表在19年的信息检索顶会SIGIR（International Conference on Research and Development in Inform
论文阅读：Neural Graph Collaborative Filtering
qq_43431934的博客
03-03 584
论文阅读：Neural Graph Collaborative Filtering 论文链接：Neural Graph Collaborative Filtering, SIGIR’19 原理： 在user-item interaction graph 上使用 GNN 来学习 user 向量和item 向量，用户向量和项向量的内积来预测评分。 区别： 大部分论文使用 GNN 只是学习 user 向量，这篇论文的 item 向量也是使用GNN学习的 大部分论文是在知识图谱KG或者社交网络Socia
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