图神经网络实战（24）——基于LightGCN构建推荐系统

已于 2025-05-15 19:51:20 修改
阅读量2.1k 收藏 42
点赞数 43
分类专栏： 图神经网络从入门到项目实战 文章标签： 深度学习 推荐系统 图神经网络
于 2025-02-24 08:46:41 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/LOVEmy134611/article/details/145819729
版权

图神经网络实战（24）——基于LightGCN构建推荐系统

0. 前言

推荐系统已成为现代网络平台不可或缺的一部分，其目标是根据用户的兴趣和历史互动情况向用户提供个性化推荐。推荐系统具有广泛应用，例如，在电子商务网站上向用户推荐商品，在流媒体服务上向用户推荐内容，以及在社交媒体平台上向用户推荐可能认识的用户。推荐系统是图神经网络 (Graph Neural Networks, GNN) 的主要应用之一，可以有效地将用户、物品及其交互之间的复杂关系纳入一个统一的模型中。此外，图结构还能够将用户和项目元数据等附带信息纳入推荐过程中。
在本节中，我们将介绍 LightGCN 架构，它是专为推荐系统设计的，并使用 Book-Crossing 数据集训练模型，Book-Crossing 数据集包含用户、图书和超过一百万个评分。利用该数据集，我们将构建一个基于协同过滤的图书推荐系统，并将其应用于为特定用户生成推荐。通过这一过程，我们将演示如何使用 LightGCN 架构构建实用推荐系统。

1. Book-Crossing 数据集介绍

在本节中，我们将对数据集 Book-Cr

了解本专栏 订阅专栏 解锁全文
实战三十一：基于LightGCN推荐算法的推荐系统详细教程（代码+数据）
机器学习深度学习业余选手
12-06 3261
实战三十一：基于LightGCN推荐算法的推荐系统详细教程（代码+数据）
基于LightGCN推荐算法的推荐系统实践
CodeWOW的博客
09-21 325
LightGCN是一种基于图卷积网络的推荐算法，它在保持简单性和高效性的同时，能够有效地学习用户和物品的表示，从而提供准确的推荐结果。对于用户-物品交互信息，我们通常将其表示为一个稀疏的用户-物品矩阵，矩阵中的每个元素表示用户对物品的交互行为。通常，推荐系统的数据包括用户-物品交互信息和物品的特征信息。在上述代码中，我们首先定义了LightGCN模型的构造函数，其中包括用户和物品的嵌入层。LightGCN是一种基于图卷积网络的推荐算法，它通过学习用户和物品的低维表示，捕捉它们之间的关系。
BookCrossing数据集介绍：探索推荐系统与数据挖掘的宝库
最新发布
gitblog_06708的博客
04-12 695
BookCrossing数据集介绍：探索推荐系统与数据挖掘的宝库 【下载地址】BookCrossing数据集介绍 BookCrossing数据集是一个包含27.8万用户对27.1万本书评分的大型数据集，为推荐系统、数据挖掘和机器学习研究提供了丰富的资源。数据集包含显式和隐式评分，提供SQL和CSV两种格式，便于在数据库或...
使用LightGCN实现推荐系统（手撕代码+分析）
weixin_44905312的博客
08-03 1万+
LightGCN代码分析
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
m0_52545077的博客
12-16 1184
However, we empirically find that the two most common designs in GCNs — feature transformation and nonlinear activation — contribute little to the performance of collaborative filtering. Even worse, including them adds to the difficulty of training and deg
推荐系统笔记（五）：lightGCN算法原理与背景
qq_46006468的博客
07-29 1万+
lightGCN是将图卷积神经网络应用于推荐系统当中，是对神经图协同过滤（NGCF）算法的优化和改进。lightGCN相比于其对照算法提升了16%左右，在介绍lightGCN之前应该知道NGCF的基本原理。 首先，协同过滤的基本假设是相似的用户会对物品展现出相似的偏好，自从全面进入深度学习领域之后，一般主要是先在隐空间中学习关于user和item的embedding，然后重建两者的交互即interaction modeling，如MF做内积，NCF模拟高阶交互等。但是他们并没有把u
LightGCN
Angeliaaa的博客
03-10 5589
简介：本文提出了一种轻型但是有效的GCN网络用于推荐系统，它舍弃了传统GCN的特征变换和非线性激活，并通过实验验证了这两种操作对协同过滤是无效的，同时提出了一种轻量级的GCN网络构建模型（LightGCN）用于推荐系统。 LightGCN它只包含GCN中最基本的结构（邻居聚合）用于协同过滤。LightGCN通过在用户-物品交互矩阵上进行线性传播来学习用户和物品的嵌入，最后将所有层学习到的嵌入的加权和作为最终嵌入。这种简单、线性的模型是很容易实施和训练的，并且在同样的实验条件下相...
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 11万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 1万+
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
图神经网络实战（20）——时空图神经网络
盼小辉丶的博客
11-11 4349
本节介绍了具有时空信息的图数据。这种时空成分在许多应用中都很有帮助，主要与时间序列预测有关。我们介绍了两种符合这种定义的图：静态图(特征随时间变化)和动态图(特征和拓扑结构会发生变化)。PyTorch Geometric Temporal 是 PyTorch Geometric 的扩展，专门用于处理时空图神经网络。此外，我们实现了 EvolveGCN 架构，该架构使用 GRU 或 LSTM 网络更新 GCN 参数。应用此架构执行 Web 流量预测，并且在有限的数据集上取得了出色的结果。
图神经网络实战（14）——基于节点嵌入预测链接
盼小辉丶的博客
06-17 4218
链接预测可以帮助我们发现隐藏的关联规律，从而为网络分析、推荐系统等问题提供有效的解决方案。在本节中，介绍了如何使用图神经网络 (Graph Neural Networks, GNN) 实现链接预测，学习了基于节点嵌入的链接预测技术，包括图自编码器 (Graph Autoencoder, GAE) 和变分图自编码器 (Variational Graph Autoencoder, VGAE)，并使用边级随机分割和负采样在 Cora 数据集上实现了 VGAE 模型。
LightGCN-Pytorch
03-22
LightGCN-Pytorch
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation论文学习笔记
wwer142526363的博客
10-11 2228
用户和商品最后表示的内积作为推荐生产的排名分数。
LightGCN模型复现
weixin_53388669的博客
04-27 1607
基于图模型的第一篇论文复现，比起tensorflow,还是觉得pytorch框架更容易看懂。 论文思路：数据集构建用户-项目交互图，基于GCN思想，聚合邻居节点的信息，增强用户和项目的嵌入表示，以得到更为准确的评分预测。其中论文证明GCN中的非线性激活和数据转换不仅增加模型复杂度，还影响模型性能。数据不考虑用户和项目的属性信息，只有节点ID，评分数据反映边信息，不涉及额外信息，不需要额外的特征变换和非线性激活，基于简单的协同过滤思想。（现在很多论文都是基于图模型+协同过滤思想，优化推荐任务） 具体模型结
NGCF及其改进模型LightGCN：Neural Graph Collaborative Filtering & LightGCN
BLOG of iJX
04-29 1101
emm…图片复制过来显示不了（因为我太懒了0.0），要看图的话可以去我的博客瞅瞅，嘿嘿嘿 对了，有些英文短句假如翻译成中文，阅读的时候就太搞脑子了，所以我干脆就不翻译了 我的博客地址：https://hikg.net/archives/125/ NGCF Motivation 先前的方法仅仅使用描述性特征（比如ID、属性）来构造embedding function，而没有考虑过user-item interactions（或者仅仅是在定义目标函数时使用） Model High-order conne.
【图卷积推荐论文阅读笔记】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
weixin_45371401的博客
05-30 1596
1）通过实验证明，GCN的**特征转换**和**非线性激活**，对协同过滤的有效性没有积极影响; 2）提出LightGCN，它通过仅包括GCN最重要的推荐组件，简化了模型设计并提高了性能； 3）按照相同的设置同其他先进协同过滤和图卷积推荐模型进行比较，对LightGCN的合理性进行了深入分析。
【图卷积】 LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
CRW__DREAM的博客
04-01 4064
作者提出一个简化GCN的模型LightGCN，只包含GCN最重要的组成部分，例如领域的聚合，多层传播，抛弃了GCN最常见的**设计-特征转换**和**非线性激活**两个步骤，并且通过在用户-项目交互图上线性传播用户和项目的嵌入来学习它们，最后将所有层上学习到的用户和项目嵌入加权和算作最后的预测得分。
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation(SIGIR2020)
weixin_43401022的博客
01-12 798
原文链接[2002.02126] LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation (arxiv.org)https://arxiv.org/abs/2002.02126 代码GitHub - kuandeng/LightGCNhttps://github.com/kuandeng/LightGCN 1 INTRODUCTION Neural Graph Collaborative...
lightgcn
03-08
### LightGCN算法介绍 LightGCN是一种专门为推荐系统优化的图神经网络模型。该模型通过简化传统GCN结构，专注于邻居节点的信息传递机制，在保持高效的同时提高了推荐效果[^4]。 具体而言，LightGCN移除了原始GCN架构中的特征变换层和非线性激活函数，仅保留了核心的邻居聚合操作。这种设计使得模型能够更有效地捕捉用户-物品交互模式，并减少计算复杂度[^5]。 #### 算法原理 LightGCN的核心思想在于利用多层传播来增强用户的潜在向量表示： 1. **初始化**: 对于每个用户u和项目i, 初始化其嵌入向量\(e_u^{(0)}\) 和 \(e_i^{(0)}\). 2. **逐层更新**: 在第k层时，对于任意实体v (可以是用户或者项目)，其新表征由与其相连的所有邻接实体w 的当前表征加权平均得到: \[ e_v^{(k+1)}=\sigma \left(\sum_{w \in N(v)} \frac{1}{\sqrt{|N(w)||N(v)|}} e_w^{(k)}\right)\] 这里采用的是简单均值作为权重方案；而为了防止过拟合并加速收敛速度，通常还会加入正则化项以及早停策略。 3. **最终输出**: 将所有层次的结果相加以形成最后的预测评分矩阵P. ```python import torch.nn as nn from typing import List class LightGCN(nn.Module): def __init__(self, num_users: int, num_items: int, embedding_dim: int, n_layers: int): super(LightGCN, self).__init__() # Define embeddings for users and items self.user_embedding = nn.Embedding(num_embeddings=num_users, embedding_dim=embedding_dim) self.item_embedding = nn.Embedding(num_embeddings=num_items, embedding_dim=embedding_dim) self.n_layers = n_layers def forward(self, adj_matrix: torch.sparse.FloatTensor) -> tuple: all_embs = [] embs = torch.cat([self.user_embedding.weight, self.item_embedding.weight], dim=0) for layer in range(self.n_layers + 1): all_embs.append(embs) embs = torch.spmm(adj_matrix, embs).div_(adj_matrix.sum(dim=-1)) final_emb = sum(all_embs)/len(all_embs) user_final_emb, item_final_emb = torch.split(final_emb, [num_users, num_items]) return user_final_emb, item_final_emb ``` #### 应用场景 由于LightGCN具有良好的泛化能力和较低的时间空间开销，因此非常适合处理大规模稀疏数据集下的个性化推荐任务。实际应用领域包括但不限于电子商务平台的商品推荐、社交媒体好友建议等服务中.
评论 17
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

打赏作者

盼小辉丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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