PinSage：首次在商业推荐系统成功应用的GCN模型实现分析

最新推荐文章于 2024-01-08 23:40:35 发布
原创 最新推荐文章于 2024-01-08 23:40:35 发布 · 1k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#神经网络 #深度学习 #机器学习

本文详细介绍了如何利用DGL框架实现PinSage模型，探讨了数据处理、图构建、节点特征生成、图卷积等关键步骤，并指出在实际运行中的一些注意事项和配置要求。

关注微信公众号【七步编程】，专注Python、AI、大数据，原创文章第一时间推送！

之前有过两篇文章分别介绍了GCN模型PinSage和图神经网络框架DGL，本文就利用DGL来逐步实现PinSage模型，让熟悉DGL的使用过程中加深对PinSage的理解。

前言

上次的帖子分析了DGL这个框架，最后的地方提到DGL给出的示例中并不是所有的模型都是用消息传递的方式来编写的，比如著名的推荐模型PinSage，正巧这个模型在去年的帖子中也有过介绍（可见我这个人有多么拖沓，早就应该介绍模型实现，竟然拖了一年），PinSage并没有官方开源代码，所以这次就介绍一下DGL的实现方式，也给其他小伙伴一些启示吧。

如果对PinSage模型不太熟悉的，可以查看之前的一篇文章：PinSage：GCN在商业推荐系统首次成功应用

PinSage

首先模型在DGL项目的位置是：examples/pytorch/recommendation。模型是基于movielens数据集（https://grouplens.org/datasets/movielens/）实现的，数据中包含用户id，电影id，电影名字，时间戳，用户对电影评分等。DGL将数据集中用户和电影看作两种类型的节点，评分做为边，

最低0.47元/天 解锁文章
精通推荐算法12：图神经网络之GCN
谢杨易的博客
07-26 905
GCN成功将卷积神经网络应用到了图结构数据中，可以有效抽取节点间关系，并建模图数据拓扑结构。但它需要将整个图数据加载到内存或GPU显存中，资源消耗十分大，不容易处理大规模图数据。另外它通常基于静态图，难以处理动态图。最后训练时需要导入所有节点，不能处理还没有出现过的节点。针对这些问题，GraphSAGE模型被提出。4作者新书推荐历经两年多，花费不少心血，终于撰写完成了这部新书。本文在6.5节中重点阐述了。源代码：扫描图书封底二维码，进入读者群，群公告中有代码下载方式。
【论文解读 KDD 2018 | PinSage】Graph Convolutional Neural Networks for Web-Scale Recommender Systems
byn12345的博客
04-27 6087
论文链接：https://arxiv.org/abs/1806.01973 论文来源：KDD 2018 斯坦福大学, Pinterest 关键词：GCN，推荐系统，web-scale，PinSage 本文在GraphSAGE基础上进行改进（去掉了需要将整张图存储到内存中的限制），提出PinSage模型，成功在Pinterest的推荐系统上得到了应用，第一个将图卷积（GCN）在超大规模数据...
《LR_GCCF》推荐系统模型解读
qq_43431934的博客
04-01 3713
《LR_GCCF》 1.基于GCN推荐模型的问题： 1. 基于GCN的推荐模型带有非线性激活函数，所以在large user-item graphs中的模型训练起来非常困难。 2. 由于图卷积运算的过度平滑效应都不能太深，大多数基于GCN的模型无法对更深层次进行建模。 2.本文的优化： 1. 证明了去除非线性会提高推荐性能，在每一层的特征传播的时候，是使用简单的特征传播而不是非线性变换 2. 提出了一种残差网络结构，该结构是专门为CF设计的，具有用户项交互建模功能，可以缓解稀疏用户项交互数据..
【PinSage】Graph convolutional neural networks for web-scale recommender systems【论文精读】
weixin_46351593的博客
10-17 1164
总的来说，这篇论文是在2017年提出的GraphSAGE基础上的一个延伸，将其采样方式进行改变，并在工业级的数据上进行部署。能完成这样一份工业级数据上进行推荐的任务是不容易的。在dgl的库中也有这个算法的一个demo，但是与本文的一些方法会有差异，我想大概是因为dgl库中要到的数据集（ml-1m）无法达到Pinterest那样的量级，所以我觉得使用了PinSage也不一定会比传统的GCN效果要好。但通过代码也可以更好的理解这个模型。这也是我的一次论文分享，如果问题请指正。
【深度学习09】图神经网络——在推荐系统中的应用
weixin_55252589的博客
01-08 2420
其从用户数据中构造图（graph）的方法和应对大规模图而采取的实现技巧都值得我们学习。PinSage被应用在图片推荐类Pinterest上。在Pinterest中，每个用户可以创建并命名图板（board），并将感兴趣的图片（pins）添加进图板。推荐系统的任务是为每个图片生成高质量的表示向量，并据此为每位用户推荐其可能感兴趣的图片。
PinSAGE有伴了! 快速了解PinnerSAGE模型
Kaiyuan_sjtu的博客
06-03 1427
今天讲解的论文是KDD2020的论文《PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pin...
[PinSage] Graph Convolutional Neural Networks for Web-Scale Recommender Systems 论文详解KDD2018
知行合一，止于至善
09-18 5421
文章目录摘要1 简介1.1 背景介绍1.2 推荐系统评测指标2 相关研究3 方法3.1 Problem Setup3.2 Model ArchitectureForward propagation algorithmImportance-based neighborhoodStacking convolutions 堆叠卷积层3.3 Model Training 模型训练Loss function...
gcn代码pytorch_PinSage：首次在商业推荐系统成功应用的GCN模型实现分析
weixin_31458015的博客
01-23 561
之前有过两篇文章分别介绍了GCN模型PinSage和图神经网络框架DGL，本文就利用DGL来逐步实现PinSage模型，让熟悉DGL的使用过程中加深对PinSage的理解。前言上次的帖子分析了DGL这个框架，最后的地方提到DGL给出的示例中并不是所有的模型都是用消息传递的方式来编写的，比如著名的推荐模型PinSage，正巧这个模型在去年的帖子中也有过介绍（可见我这个人有多么拖沓，早就应该介绍模型实...
【GNN】PinSAGE：GCN 在工业级推荐系统中的应用
阿泽的学习笔记
06-09 2973
今天学习的是 Pinterest 和斯坦福大学 2018 年合作的论文《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》，目前有 200 多次引用。 论文中提出的 PinSAGE 结合了随机游走和 GCN 来生成节点的 Embedding 向量。同时考虑了图结构和节点的特征信息。此外，PinSAGE 也设计了一种新颖的训练策略，该策略可以提高模型的鲁棒性并加快模型的收敛。 这篇论文是 GraphSAGE 一次成功的应
diel-data数据集，用来实验与验证GCN模型的，推荐算法中的GCN模型，当然也是最初的分类模型
06-22
GCN是一种在图结构数据上进行学习的深度学习模型，最初被广泛应用于图分类任务，后来逐渐在推荐系统中崭露头角。本文将深入探讨`diel-data`数据集的特点、GCN模型的工作原理以及它们如何相互配合解决推荐算法和分类...
STGCN-PyTorch代码实现与模型分析
最新发布
07-01
STGCN（Spatial - Temporal Graph Convolutional Network）是一种深度学习模型，主要应用于时序数据，尤其在人体动作识别领域有重要应用。该“STGCN - PyTorch - master.zip”压缩包包含基于PyTorch实现的STGCN源码...
图神经网络必读的​5个基础模型: GCN, GAT, GraphSAGE, GAE, DiffPool.
数据派THU
05-06 8166
来源：机器学习算法那些事 极市平台https://zhuanlan.zhihu.com/p/136521625本文约6000字，建议阅读10分钟本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。“近年来，深度学习领域关于图神经网络（Graph Neural Networks，...
图神经网络——【KDD 2018】PinSage
05-14 923
可以先参阅。本文将基于GraphSAGE来讲讲PinSage。
在工业界落地的PinSAGE图卷积算法原理及源码学习（二）采样
IntegerList的博客
04-14 880
这一部分是PinSAGE算法最重要的一块，主要包括正负样本采样，PinSAGE采样
[图神经网络] 图节点Node表示---GraphSAGE与PinSAGE
摩登都市天空---专栏
01-20 8036
一前言 在大规模图上学习节点embedding，在很多任务中非常有效，如学习节点拓扑结构的 DeepWalk 以及同时学习邻居特征和拓扑结构的semi-GCN。 但是现在大多数方法都是直推式学习， 不能直接泛化到未知节点。这些方法是在一个固定的图上直接学习每个节点embedding，但是大多情况图是会演化的，当网络结构改变以及新节点的出现，直推式学习需要重新训练（复杂度高且可能会导致embedding会偏移），很难落地在需要快速生成未知节点embedding的机器学习系统上。 本文提出归纳学习—Gr.
在工业界落地的PinSAGE图卷积算法原理及源码学习（三）数据加载及PinSAGE模型的定义与训练
IntegerList的博客
04-15 618
在之前的两篇文章中，我们介绍了数据处理及图的定义，采样，这篇文章是该系列的最后一篇文章——介绍数据加载及PinSAGE模型的定义与训练
第五周.01.PinSage论文带读.直播
老毛的博客
07-06 562
论文带读 Graph Convolutional Neural Networks for Web-Scale Recommender Systems PinSage模型，主要用于大型推荐系统中。 一些基础概念要了解： 召回 A/B test harder-and-harder training examples
在工业界落地的PinSAGE图卷积算法原理及源码学习（一）数据处理及图的定义
IntegerList的博客
04-14 918
结合图深度学习框架DG学习在工业落地的图深度学习推荐算法PinSAGE，本篇主要是数据处理部分。
图神经网络用于推荐系统问题（PinSage，EGES，SR-GNN）
热门推荐
nakaizura
05-29 1万+
Session-based Recommendation with Graph Neural Networks 会话序列推荐的图应用，发自AAAI 2019，先放链接： blog：https://sxkdz.github.io/research/SR-GNN/ paper：https://arxiv.org/abs/1811.00855 code：https://github.com/CRIPAC-DIG/SR-GNN 会话推荐是指，对于一个用户的点击序列（即session），预测下一个要点击的物品。即输.
STGCN模型源码分析及其在PyTorch平台的应用
在分析标题时，我们首先注意到"STGCN-PyTorch-master.zip"表明这是一个以PyTorch框架实现的时空图卷积网络（Spatio-Temporal Graph Convolutional Network, STGCN）的代码库。此外，该代码库似乎是作为一个项目文件...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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