elephant_my的博客

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档Neural Collaborative Filtering（神经协同过滤）系列文章目录1. 前言参考文献一、pandas是什么？二、使用步骤1.引入库2.读入数据总结1. 前言文献的题目： Neural Collaborative Filtering（神经协同过滤）来源： 《World

这里写目录标题1. 前言2. 背景和动机1. 前言文献的题目： Neural Graph Collaborative Filtering（神经图协同过滤）来源： SIGIR 2019 作者： 中国科学技术大学北京研究院(北京中科研究院)_何向南教授这是何向南教授团队在SIGIR2019发表的一篇文章，据说是首次提出图协同过滤的概念。为了解决传统的方法主要通过user或item的pre-existing fetures的映射得到user和item的embedding，而缺乏了user和it

Graph Neural Networks for Recommender Systems:Challenges, Methods, and Directions1. 前言2. 背景 - 推荐系统的发展历程和挑战2.1.1 浅层模型2.1.2 神经网络模型2.1.3 图神经网络模型3. 推荐系统的分类3.1 根据推荐系统的不同阶段3.2 根据不同推荐场景3.2.1 社交推荐3.2.2 序列推荐3.2.3 会话推荐3.2.4 捆绑推荐3.2.5 跨域推荐3.2.6 多行为推荐3.3 根据不同的推荐目标3.3

GNNGNN分类HGNN参考资料GNN图神经网络（GNN） 作为一种处理图数据的强大深度表示学习工具被广泛地应用于节点分类、图分类以及推荐等下游任务中。GNN是一个邻居聚合策略，一个节点的表示向量，由它的邻居节点通过循环的聚合和转移表示向量计算得来。我们来想象人类学习知识的过程，在自身具有一定知识的基础上，我们会想要从周围的伙伴那里学习到更多的知识，然后将伙伴给予的信息与自身已有的知识组合起来，更新并获得更高阶的知识，这个过程就是一个消息传递过程。以下图为例，假设我们要计算 K 时刻红色节点的表示