飞桨SR-GNN修改及实践记录

最新推荐文章于 2023-08-15 21:20:53 发布
最新推荐文章于 2023-08-15 21:20:53 发布
阅读量533 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： NLP与推荐算法 文章标签： 飞桨 SR-GNN 推荐召回
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/SPESEG/article/details/108619246
本文记录了在飞桨框架下修改SR-GNN模型源码的过程，包括将config.yaml参数转换为argparse输入，优化训练效率，以及在推荐系统中获取items列表的实践。在训练和推理过程中遇到的问题及解决方案进行了详细阐述。

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

hi各位大佬好，在修改飞桨SR-GNN源码中，肯定首先要看懂流程，读懂程序。其中一个麻烦是config.yaml，其实这个玩意就是个txt文件，完全没必要这么搞。凡是需要手动修改（配置）的均不符合时代进步潮流（都是自动化了，你还倒退？），这种也必将被社会的浪潮冲蚀，最终湮灭。删繁就简三秋木，标新立异二月花   遇到的问题详见我的issue

For Video Recommendation in Deep learning QQ Group 277356808

视频推荐深度学习加这个群，这是推荐，推荐，

For Visual in deep learning QQ Group 629530787

了解本专栏 订阅专栏 解锁全文 超级会员免费看
SR-GNN优化记录-多版本实践笔记
NLP与推荐算法
09-16 652
hi各位大佬好，之前的SR-GNN做的实在是勉强凑合，数据处理都很慢，采用pd处理并不能快，而且慢很多倍，所以轻易不要用pd。另外模型中的数据处理很慢，推理更慢，不知道咋整了，改模型？？？看其他版本？？？调整？ For Video Recommendation in Deep learning QQ Group 277356808 视频推荐深度学习加这个群 For Visual in deep learning QQ Group629530787 视觉深度学习加这个，别加错 I'm here w.
SRFBN的PyTorch实现
clover_my的博客
11-21 2068
SRFBN的PyTorch实现 源码：https://github.com/Paper99/SRFBN_CVPR19 依赖项： Python 3 (Anaconda is recommended) skimage imageio Pytorch (Pytorch version >=0.4.1 is recommended) tqdm pandas cv2 (pip ins...
百度飞桨—— 车牌识别学习与修改
weixin_43893363的博客
02-02 2446
目录1. 数据集描述2. 技术路线3. 模型结构4 .训练集上的表现5 .测试集上的表现6. 主要问题解决过程7.运行结果8.代码 1. 数据集描述       本数据集图片数约3.2万张，划分为65个部分。分别包含车牌中0到9（10个数字），A到Z（24个英文字母），以及31个省简称的图片数据。其中，图片分辨率为20*20的灰度图像。数据集中的10%作为测试集，90%作为训练集。 2. 技术路线     &
SR-GNN:[AAAI 2019]“使用图形神经网络的基于会话的推荐”的源代码和数据集
05-04
人工神经网络 纸质数据和代码 这是AAAI 2019论文： 的代码。 我们已经在Tensorflow和Pytorch中实现了我们的方法。 这是我们在论文中使用的两个数据集。 下载数据集后，您可以将它们放在文件夹datasets/ ： 友情链接： ://2015.recsyschallenge.com/challenge.html DIGINETICA： ://cikm2016.cs.iupui.edu/cikm-cup或 文件夹datasets/包含一个小的数据集sample ，可用于测试代码的正确性。 我们还写了解释该论文。 用法 您需要先运行文件datasets/preprocess.py来预处理数据。 例如： cd datasets; python preprocess.py --dataset=sample cd datasets; python preproces
百度飞桨 paddleX操作手册
qq_42089323的博客
02-03 7249
paddleX操作手册
学习飞桨BML实战全流程
limengshi138392的博客
07-21 4023
代码+图片：学习飞桨BML实战全流程。
预训练GNN：GPT-GNN Generative Pre-Training of Graph Neural Networks
LW的技术小筑
08-15 1595
本文提出了一种自监督属性图生成任务来预训练GNN，使得其能捕图的结构和语义属性。作者将图的生成分为两个部分：属性生成和边生成，即给定观测到的边，生成节点属性；给定观测到的边和生成的节点属性，生成剩余的边。通过这种方式使得模型能捕获每个节点属性和结构之间的依赖关系。对于每个节点，GPT-GNN可以同时计算其属性生成和边生成损失。另外，为了使得GPT-GNN可以处理大图，作者采用了子图采样技术，并提出自适应嵌入队列来缓解负采样带来的不准确损失。
【文章阅读+代码复现】Point-GNN
有所为，有所成长
04-21 1万+
Brief 在3D点云语义分割方法中,GNN已经做了很多可用的方案，但是在目标检测上依旧是采用比较传统的CNN和稀疏卷积的组合，这一篇文章是研究了图卷积在3D检测的中的用法。来自卡内基梅隆大学。已经被CVPR2020接收. 这里是 paper 这里是 code Abstruct 一个采用GNN设计的3D目标检测框架 过程是先将点云场景编码成图结构，随后设计了一个叫point-GNN的网络结构，在...
Point-GNN:点神经网络
03-20
点神经网络 该存储库包含我们的的参考实现 CVPR 2020 。 如果您发现此代码对您的研究有用，请考虑引用我们的工作： @InProceedings{Point-GNN, author = {Shi, Weijing and Rajkumar, Ragunathan (Raj)}, title = {Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2020} } 入门 先决条件 我们将Tensorflow 1.15用于此实现。如果需要GPU支持，请 。 pip3 ins
阅读笔记--[CVPR2020] Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
qq_37109317的博客
03-03 798
文章目录Abstruct1、Introduction2、Point-GNN for 3D Object Detection in a Point Cloud2.1 Graph Construction2.2 Graph Neural Network with Auto-Registration Abstruct 提出了一种图神经网络来检测激光雷达点云中的目标，为此将点云编码在一个固定半径的近邻图中。 设计了Point-GNN来预测图中每个顶点所属对象的类别和形状。 在Point-GNN中，作者提出了一种
SRGAN-PyTorch：超分辨率纸的简单而完整的实现
02-26
SRGAN-PyTorch 概述 该存储库包含对进行的逐点PyTorch重新实现。 目录 关于使用生成对抗网络的逼真的单图像超分辨率 如果您不熟悉SRGAN，请直接从本文中摘录以下内容： 尽管使用更快，更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但仍然存在一个主要问题仍未解决：当在较大的放大比例下进行超分辨率处理时，如何恢复更精细的纹理细节？ 基于优化的超分辨率方法的行为主要由目标函数的选择决定。 最近的工作主要集中在最小化均方重构误差上。 得出的估计值具有很高的峰值信噪比，但是它们通常缺少高频细节，并且在某种意义上说它们无法满足更高分辨率下的保真度，因此在感觉上并不令人满意。 在本文中，我们介绍了SRGAN，这是一种用于图像超分辨率（SR）的生成对抗网络（GAN）。 据我们所知，它是第一个能够为4倍放大因子推断出逼真的自然图像的框架。 为此，我们提出了一种感知损失函
KDD‘20 | 基于生成模型的图神经网络预处理方法
paper_reader的博客
10-28 1018
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 Hu, Ziniu, et al. "GPT-GNN: Generative Pre-Training of Graph Neural Networks."KDD. 2020. 引言 相信大家对“预处理-精调优”的神经网络训练方式都不陌生。自从2018年谷歌提出BERT以来，不少复杂的神经网络都是以这种方式进行训练的：现在大量的通...
Point- GNN学习
安壑的耕地
03-15 1631
Point- GNN源码学习 Point- GNN源码学习Point- GNN源码学习一、环境搭建1. 了解Windows环境2. 配置Point- GNN的环境3.数据集配置数据集的介绍二级目录三级目录 一、环境搭建 因为是第一次使用Windows+GPU进行实验，所以补充了很多的基础知识。 1. 了解Windows环境 conda是已经安装过了的，在Windows中打开Anaconda Prompt，输入命令nvidia-smi 查看显卡信息： 使用命令conda env list 查看本机conda
Make GNN Great Again: GNN 上的预训练和自监督学习
Kaiyuan_sjtu的博客
05-10 1972
© 作者｜侯宇蓬机构｜中国人民大学高瓴人工智能学院硕士一年级导师｜赵鑫教授研究方向 |图机器学习和推荐系统1 引言近些年来，对图神经网络（GNN）的研究如火如荼。通过设计基于 GNN 的...
开源 | 基于会话的最优推荐模型：SR-GNN的PaddlePaddle实现
量子位
05-13 823
本文转载自百度 PaddlePaddle百度深度学习平台PaddlePaddle于近期开源了基于会话（session-based）的推荐系统模型（SR-GNN）。相较于之...
推荐系统 - SR GNN架构详解（包含图神经网络GNN和门控图神经网络GGNN的介绍）
热门推荐
马飞飞的博客
08-18 2万+
说明 1.SR-GNN是中科院提出的一种基于会话序列建模的推荐系统，这里所谓的会话是指用户的交互过程（每个会话表示一次用户行为和对应的服务，所以每个用户记录都会构建成一张图），这里说的会话序列应该是专门表示一个用户过往一段时间的交互序列。基于会话的推荐是现在比较常用的一种推荐方式，比较常用的会话推荐包括循环神经网络、马尔科夫链。但是这些常用的会话推荐方式有以下的两个缺点： ...
百家桨坛 | 第四期：使用飞桨遇到模型训练问题怎么办？
百度大脑
10-07 937
点击左上方蓝字关注我们以上精选了飞桨模型训练过程中开发者经常遇到的高频问题。更多飞桨模型训练常见问题，欢迎访问飞桨官网（点击“阅读原文”即可访问）：https://www.paddlep...
TOP 100值得读的图神经网络----自监督学习与预训练
tagagi的博客
11-19 3446
清华大学的Top 100 GNN papers，其中分了十个方向，每个方向10篇。此篇为自监督学习与预训练​​​​​​​方向的阅读笔记。
飞桨深度学习学院-Python小白逆袭大神Day（4）笔记
禾的博客
04-26 783
Python小白逆袭大神Day4-《青春有你2》选手识别作业：对测试的图片进行分类代码详解
SR-GNN
最新发布
03-23
### SR-GNN 的核心概念与技术细节 SR-GNN 是一种基于图神经网络（Graph Neural Network, GNN）的会话推荐方法，旨在通过建模用户行为中的复杂关系来提升推荐质量。它由中科院提出，并针对传统会话推荐算法存在的局限性进行了改进[^5]。 #### 1. **背景与动机** 传统的会话推荐方法通常依赖循环神经网络（RNN）或马尔科夫链（Markov Chain）。然而，这些方法存在以下不足： - 当会话长度较短时，难以有效捕捉用户的行为特征。 - 只关注相邻物品之间的转移概率，忽略全局上下文中其他物品的影响。 为了克服这些问题，SR-GNN 利用了图神经网络的强大表征能力，能够更好地挖掘会话中物品间的多步关联性和长期依赖关系。 --- #### 2. **模型架构** SR-GNN 将用户的交互历史建模为一张图结构，其中节点代表物品，边则表示物品间的关系。具体而言： - 图构建阶段： 对于给定的一个会话 \( S \)，将其转化为一个无向加权图 \( G(S) = (V_S, E_S) \)，其中 \( V_S \) 表示该会话涉及的所有唯一物品集合，\( E_S \) 定义了物品之间是否存在某种联系以及这种联系的强度[^1]。 - 节点嵌入学习： 使用门控图神经网络（GGNN）对图上的节点进行编码，生成每个物品的低维稠密向量表示。这一过程可以形式化描述如下： ```python import torch class GGNN(torch.nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(GGNN, self).__init__() self.input_layer = torch.nn.Linear(input_dim, hidden_dim) self.gate_update = torch.nn.GRUCell(hidden_dim, hidden_dim) self.output_layer = torch.nn.Linear(hidden_dim, output_dim) def forward(self, A, X, steps=3): H = self.input_layer(X) for _ in range(steps): messages = torch.matmul(A, H) H = self.gate_update(messages, H) return self.output_layer(H) ``` - 下一步预测： 预测下一时刻可能点击的物品时，计算当前会话状态与候选集之间的相似度得分。最终选取得分最高的若干个作为推荐结果[^4]。 --- #### 3. **优势分析** 相比 RNN 和 Markov 方法，SR-GNN 主要具备以下几个优点： - 更好地刻画了物品间的高阶连接模式； - 即使面对稀疏数据场景也能保持较好的泛化性能； - 提供了一种统一框架，可灵活扩展至多种变体任务中去[^3]。 不过需要注意的是，在实际部署过程中还需要考虑诸如训练效率低下等问题。 --- ### 实现建议及相关工具 对于希望动手实践的朋友来说，PyTorch Geometric 或 DGL （Deep Graph Library）都是不错的选择。它们内置了许多高效的 GNN 组件，极大简化开发流程的同时也保证了运行速度。 ```bash pip install torch_geometric ``` 或者安装DGL: ```bash conda install dgl -c dglteam ``` 利用上述库编写自定义版本的 SR-GNN 应当不是一件困难的事情。 ---
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

打赏作者

小李飞刀李寻欢

您的欣赏将是我奋斗路上的动力！

¥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