推荐模型-上下文感知-2019：Fi-GNN

最新推荐文章于 2025-06-09 16:45:51 发布
原创 最新推荐文章于 2025-06-09 16:45:51 发布
· 260 阅读 · 0 ·
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：

#深度学习 #人工智能 #推荐系统

该博客介绍了Li等人在CIKM 2019上提出的Fi-GNN模型，这是一种通过图神经网络来建模特征交互以提升点击率预测（CTR）性能的方法。参考代码可在CRIPAC-DIG的GraphCTR和Xue-pai的FuxiCTR项目中找到。

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

推荐模型-上下文感知-2019：Fi-GNN

Reference:
Li, Zekun, et al. "Fi-GNN: Modeling Feature Interactions via Graph Neural Networks for CTR Prediction"
in CIKM 2019.
Reference code:
- https://github.com/CRIPAC-DIG/GraphCTR
- https://github.com/xue-pai/FuxiCTR
【GNN】图技术在美团外卖下的场景化应用及探索
发现问题，并解决问题，批判性思维
09-09 957
对于高频用户，可能会导致兴趣圈封闭导致模型建模无法跳脱既有的兴趣圈；对于低频用户，由于信息的缺乏导致其兴趣刻画不完整。因此，我们需要具备拓展用户兴趣边界的信息扩展能力、对单点信息的扩充能力；即寻找一种新的数据结构，打破二维线性限制，实现三维立体扩展，基于此种想法，从图的角度来重新思考用户行为建模：==以私域线性行为序列作为兴趣刻画基础，以公域全局互联关系图作为兴趣补充==，建立个体差异性与群体共性的连接。
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（附matlab代码实现）
qq_36130719的博客
01-13 4904
现有的小目标定义方式主要分为以下两类，即基于相对尺度的定义与基于绝对尺度的定义。(1)基于相对尺度即从目标与图像的相对比例这一角度考虑来对小目标进行定义。Chen[1]等对小目标做了如下定义：同一类别中所有目标实例的相对面积，即边界框面积与图像面积之比的中位数在0.08%~0.58%之间。除此以外，较为常见的还有以下几种：①目标边界框的宽高与图像的宽高比例小于一定值，较为通用的比例值为0.1；②目标边界框面积与图像面积的比值开方小于一定值，较为通用的值为0.03；
Fi_GNN:[CIKM 2019]“ Fi-GNN的代码和数据集
05-04
FiGNN预测点击率 CIKM2019中我们论文的代码和数据：Fi-GNN：通过图形神经网络为CTR预测建模特征交互， 。 首先将输入的稀疏多场特征向量映射到稀疏的一热嵌入向量，然后通过嵌入层和多头自注意层将其嵌入到密集场嵌入向量中。 然后将这些字段嵌入矢量表示为特征图，其中每个节点都对应一个特征字段，并且不同的特征字段可以通过边进行交互。 建模交互的任务因此可以转换为特征图上的建模节点交互。 因此，将特征图输入到我们提出的Fi-GNN中以对节点交互进行建模。 注意得分层应用于Fi-GNN的输出以估计点击率。 接下来，我们介绍如何在四个基准数据集上运行FiGNN。 要求： Tensorflow 1.5.0 Python 3.6 CUDA 9.0+（适用于GPU） 用法 我们的代码基于Weiping Song和Chence Shi的 。 输入格式 所需的输入数据采用以下格式： t
论文总结 (一)：Fi-GNN——通过GNN对特征交互建模进行CTR预测
Nepenthe_V的博客
11-02 2220
一. CTR（Click-through rate）简介 CTR=实际点击数/点击率； CTR预测是一个分类问题 ，预测用户是否点击目标项目； 是一个重要任务在推荐系统和在线广告平台等。 二. Fi-GNN 已有模型的缺点 特征之间的交互是灵活显性的，而无结构的特征组合无法很好地进行提取。 Fi-GNN的创新点 在图结构上以更灵活和明确的方式对特征之间的复杂交互进行建模。 图(graph)中的每个节点(node)都对应一个特征(field)，并且不同的特征可以通过边(edge)进行交互。
GNN github开源代码
05-06
人工智能（AI）最近经历了复兴，在视觉，语言，控制和决策等关键领域取得了重大进展。 部分原因在于廉价数据和廉价计算资源，这些资源符合深度学习的自然优势。 然而，在不同的压力下发展的人类智能的许多定义特征仍然是当前方法无法实现的。 特别是，超越一个人的经验 - 从婴儿期开始人类智能的标志 - 仍然是现代人工智能的一项艰巨挑战。 以下是部分立场文件，部分审查和部分统一。我们认为组合概括必须是AI实现类似人类能力的首要任务，结构化表示和计算是实现这一目标的关键。就像生物学利用自然和培养合作一样，我们拒绝“手工工程”和“端到端”学习之间的错误选择，而是倡导一种从其互补优势中获益的方法。我们探索如何在深度学习架构中使用关系归纳偏差来促进对实体，关系和组成它们的规则的学习。我们为AI工具包提供了一个新的构建模块，具有强大的关系归纳偏差 - 图形网络 - 它概括和扩展了在图形上运行的神经网络的各种方法，并为操纵结构化知识和生成结构化行为提供了直接的界面。我们讨论图网络如何支持关系推理和组合泛化，为更复杂，可解释和灵活的推理模式奠定基础。作为本文的配套文件，我们还发布了一个用于构建图形网络的开源软件库，并演示了如何在实践中使用它们。
CIKM2013|深层结构语意模型DSSM在web搜索中的应用
hestendelin的专栏
10-12 394
Learning Deep Structured Semantic Models for Web Search using Clickthrough DataPo-Sen Huang,...
GNN图网络
萝卜的博客
12-12 9409
  1.图神经网络（Graph NNs）可能解决图灵奖得主Judea Pearl指出的深度学习无法做因果推理的核心问题。 2.如果AI要实现人类一样的能力，必须将组合泛化（combinatorial generalization）作为重中之重，而结构化的表示和计算是实现这一目标的关键。 3.图网络（graph network），是对以前各种对图进行操作的神经网络方法的推广和扩展。图网络具有强...
机器学习第五十六周周报 HA-GNN
weixin_44162879的博客
09-14 2049
文章目录week56 HA-GNN摘要Abstract一、大数据相关1. 配置hadoop（完全分布式部署）2. 技术概论2.1 hadoop链接至idea2.2 使用idea操作idea2.3 hive与hbase的对比1. 设计目标2. 数据存储3. 查询与处理4. 扩展性5. 数据一致性与事务6. 数据访问模式7. 应用场景总结二、文献阅读1. 题目2. Abstract3. 文献解读3.1 Introduce3.2 创新点4. 网络框架4.1 注意力机制的结构特性4.2 节点特征注意力4.3 双曲注
表格图_Fi-GNN：通过图神经网络建模特征交互以预测CTR
qq_45972323的博客
09-14 344
首先通过嵌入层将输入的原始多场特征向量转换为场嵌入向量，并表示为特征图，然后将其馈送到Fi-GNN以建模特征交互。在每个交互步骤中，每个节点将首先聚集来自邻居的转换的状态信息，然后根据聚集的信息和历史通过GRU和剩余连接更新其状态。图6：Avazu上全局和案例级别的注意力节点权重热图，反映了不同特征字段对最终预测的重要性。图4：Criteo和Avazu数据集上不同状态维度D（左）和交互步骤T（右）的AUC性能。图五：Avazu上全局水平的注意力边缘权重热图，反映了不同特征场之间关系的重要性。
【论文阅读｜深读】Net2Net-NE：Learning Network-to-Network Model for Content-rich Network Embedding
海到无边天作岸 山登绝顶我为峰
07-11 1465
原文链接：https://dl.acm.org/doi/10.1145/3292500.3330924代码链接：https://github.com/NKU-IIPLab/Net2Net-NE会议：KDD '19: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining （CCF A类）年度：2019/07/25近年来，网络嵌入(network embedding, NE
SSTFormer: Bridging Spiking Neural Network andMemory Support Transformer for Frame-Eventbased Rec
weixin_46687145的博客
07-04 548
基于事件相机的模式识别是近年来新兴的研究课题。当前的研究者通常将事件流转换为图像、图形或体素，并采用深度神经网络进行基于事件的分类。尽管在简单的事件识别数据集上可以达到较好的性能，但它们的结果可能仍然受到以下两个问题的限制。首先，它们仅使用空间稀疏的事件流进行识别，这可能无法充分捕捉颜色和详细纹理信息。其次，它们要么采用脉冲神经网络（SNN）进行能效较低但效果次优的识别，要么采用人工神经网络（ANN）进行能耗较高但性能优异的识别。然而，很少有研究试图在这两方面之间找到平衡。本文正式。
WSDM‘22推荐系统论文梳理
公众号/知乎: AI算法札记，欢迎关注交流
07-29 1812
本文对WSDM 2022推荐系统方向论文进行分类整理。按任务划分，主要包括序列推荐、会话推荐、点击率预估、跨域推荐、Debias、路径推荐、协同过滤、组推荐、公平性、E&E等；按技术划分，主要包括对比学习、对抗学习、强化学习、模仿学习、联邦学习、集成学习、因果推断、元学习、图网络等。...
加州大学提出时间间隔自注意力模型用于序列推荐(已开源)
hestendelin的专栏
01-11 1623
Time Interval Aware Self-Attention for Sequential RecommendationJiacheng Li,Yujie Wang,Juli...
Graph Neural Networks for Recommender Systems Challenges, Methods, and Directions论文阅读笔记
Andre_Jan的博客
12-08 3396
本文首先介绍了推荐系统和图形神经网络的发展背景和历史。对于推荐系统来说有四个方面: 阶段、情景、目标和应用。对于图形神经网络，现有的方法包括谱模型和空间模型两大类。然后讨论了图神经网络应用于推荐系统的动机，主要包括高阶连通性、数据的结构特性和增强的监督信号。然后系统地分析了图构造、嵌入传播/聚合、模型优化和计算效率方面的挑战。然后，我们根据上面的分类法，对大量现有的基于图形神经网络的推荐系统的工作进行了全面的概述。最后，对该领域尚未解决的问题和未来的发展方向进行了讨论
深度解码：Python文本分析的技术演进与工业实践
qq_20890935的博客
02-12 579
在当今数据驱动的世界中，文本分析已成为数据科学和自然语言处理（NLP）领域的关键技术。Python，作为一种功能强大且易于学习的编程语言，已经成为文本分析的首选工具。本文将带您深入了解Python在文本分析中的应用，从基础概念到最新趋势，帮助您掌握这一领域的核心技能。
深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（2）
ak47maker的博客
06-05 572
本文针对ResNet18模型剪枝进行了优化改进，主要包含三个方面：1) 将剪枝目标层从底层conv1调整为中间层layer2.0.conv1，减少对基础特征的破坏；2) 采用基于激活值的前向传播方法评估通道重要性，优先剪除低激活通道；3) 改进微调策略，动态解冻关联层并使用更低学习率(0.0001)进行10轮微调。这些优化有效提升了剪枝后模型的稳定性和性能表现，特别是通过中间层剪枝和基于特征贡献的通道选择策略，避免了底层特征破坏带来的连锁反应。
RNN和CNN使用场景区别
mayaohao的博客
06-06 996
RNN（循环神经网络）和 CNN（卷积神经网络）是深度学习中两种核心架构，它们的使用场景主要取决于数据结构和任务需求。
山东大学深度学习2025年期末考试
c335000的博客
06-05 486
1.反向传播2.激活函数3.梯度裁剪4.数据增强5.迁移学习6.过拟合7.word2Vec8.注意力机制。
ChatGPT 辅助 PyTorch 开发：从数据预处理到 CNN 图像识别的全流程优化
最新发布
2403_89974123的博客
06-09 528
在人工智能技术爆发的时代背景下，Python 凭借其简洁高效的特性成为机器学习与深度学习的核心工具，而大语言模型（如 ChatGPT、DeepSeek）的兴起则为 AI 开发注入了新动能。本次培训聚焦 “大语言模型 + Python + 深度学习” 的全栈技术体系，系统讲解从数据预处理、模型开发到前沿算法实践的全流程。通过 ChatGPT 辅助代码生成、调试及论文撰写，结合 PyTorch 框架实现经典机器学习算法（决策树、随机森林）与深度学习模型（CNN、RNN、GAN、YOLO），学员将掌握如何利用大语
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
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