文章目录Info1 Motivation2 Contribution3 Solution传统GNN计算方法Graph-MLP结构LossTraining4 Evaluation5 SummarizationInfo最近很热门的一篇文章代码已经开源https://github.com/yanghu819/Graph-MLP1 Motivation基于谱和基于空间的GNN的特征聚合方法都依赖邻接矩阵去完成信息传递文章的motivation认为GNN里面的信息传递模块是不必要的2 Contribu

文章目录Info1 Motivation2 Contribution3 Solution3.1 intent embedding3.2 user embedding3.3 item embedding3.4 预测4 Evaluation5 Summarization本文首发于公众号：code路漫漫，欢迎关注Info原文：Learning Intents behind Interactions with Knowledge Graph for Recommendationcode：https:/

文章目录Info1 Motivation2 Contribution3 Solution3.1 初步 embedding3.2 Target embedding learning3.3 学习进一步的 session 表示3.4 聚合信息并进行预测4 Evaluation5 SummarizationInfo本文首发于公众号：code路漫漫，欢迎关注官方代码：https://github.com/SamHaoYuan/DSANForAAAI2021思维导图地址：https://github.com

文章目录Info1 Motivation2 Contribution3 Solution具体步骤3.1 构造 session graph3.2 生成 node embedding生成 global interests embedding生成 session embedding预测以及目标函数4 Evaluation5 SummarizationInfo本文首发于公众号：code路漫漫，欢迎关注原文：Session-based Recommendation with Graph Neural Ne

文章目录Info1 Motivation2 Contribution3 Solution具体步骤3.1 构造 session graph3.2 生成 node embedding3.3 获取 global interests embedding3.4 获取 local interests embedding3.5 生成 session embedding3.6 预测4 Evaluation5 SummarizationInfoIJCAI 19 的文章，对 SR-GNN 做了一点改进，但是 margin

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-MCSTAR-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

文章目录InfoMotivationContributionSolutionEvaluationSummarizationInfotitle: Rethinking the Item Order in Session-based Recommendation with Graph Neural Networksgithub: https://github.com/RuihongQiu/FGNN关键词：WGAT、Readout functionMotivation当前工作的几个缺陷：对

代码仓库：https://github.com/CRIPAC-DIG/SR-GNN#paper-data-and-code数据集下载：一个是YOOCHOOSE，仓库的链接失效了，去kaggle下就好，https://www.kaggle.com/chadgostopp/recsys-challenge-2015另一个是DIGINETICA，https://competitions.codalab.org/competitions/11161下载完后解压到datasets里面最终就用到这两个文件

文章目录数据分类以及模型一般交互数据的图推荐系统序列交互数据的图推荐系统利用边信息的推荐系统结合知识图谱的推荐系统图推荐的算法随机游走Graph EmbeddingGraph Neural Network Approach已有的研究和数据集IJCAI2021年图推荐综述，原文地址https://www.researchgate.net/publication/350979695_Graph_Learning_based_Recommender_Systems_A_Review本文首发于公众号：cod

文章目录MotivationContributionSolutionEvaluationSummarizationMotivationContributionSolutionEvaluationSummarization

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 PredictionSummarizationMotivation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

文章目录MotivationContributionSolutionUser Modeling1 item aggregation2 social aggregation3 Learning User Latent FactorItem ModelingUser AggregationEvaluationSummarizationMotivation社交信息在推荐系统中常以社交关系图存在，其中的结点是用户，边表示用户之间的联系，两个结点有边直接相连表示这两个用户是好友。在推荐系统中存在着两种图：社