RGCF: Refined Graph Convolution Collaborative Filering withConcise and Expressive Embedding

最新推荐文章于 2025-12-13 11:28:09 发布
原创 最新推荐文章于 2025-12-13 11:28:09 发布 · 644 阅读 · 1 ·
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：

#python #推荐算法 #tensorflow #神经网络

本文介绍了RGCF图卷积网络在推荐系统中的简化版本，主要针对lightGCN进行了优化，去除了非线性和dropout，强调了信息融合方式的改变。

这篇文章和lightGCN是大同小异，可以移步至lightGCN看具体介绍，

图卷积网络在推荐系统中的应用lightGCN，配套pytorch的代码解释_只想做个咸鱼的博客-优快云博客_图卷积 推荐

下面只是粗略的讲解一下做了啥，以及代码中变了啥

一、论文

这个图看起来很高大上，其实原理很简单，都在文中表述了，我们来看原话

1、在我们的 RGCF 中删除了非线性网络层，因为它们对模型性能没有任何好处。

2、即使采用dropout技术也无法完全消除网络层参数过多导致的过拟合问题。 

3、这一项可以减弱非线性图卷积产生的信息冗余和噪声的负面影响，类似于上述的串联操作。事实上，这样的乘积项也是多余的，而交互函数是内积。

好了！！！这就是这篇论文干的事情了

二、代码

它的代码和lightGCN代码9成相似度</

最低0.47元/天 解锁文章
论文阅读：RGCF: Refined Graph Convolution Collaborative Filering with Concise and Expressive Embedding
aaHua_
07-29 543
RGCF: Refined Graph Convolution Collaborative Filering with Concise and Expressive Embedding
RGCF：Learning to Denoise Unreliable Interactions forGraph Collaborative Filtering论文解读
zhao254014的博客
10-31 2241
提出了一种新的基于GNN的协作过滤方法，该方法通过对不可靠交互进行降噪，名为RGCF（鲁棒图协作过滤）。 我们在RGCF中设计了两个主要的技术模块。首先，我们通过识别更可靠的消息传递交互（图去噪模块）来直接改进图结构学习。其次，我们通过将从去噪交互数据和多样性增强数据（多样性保持模块）中学习到的用户偏好进行关联，进一步增强了推荐的多样性。
【论文精读】Temporally Refined Graph U-Nets for Human Shape and Pose Estimation From Monocular Videos
Edward的博客
12-29 405
摘要： 这项工作解决了一个具有挑战性的问题，即从单目视频中估计完整的三维人体形状和姿态。由于现实世界的三维网格标记数据集有限，目前大多数的三维人体形状重建方法只关注单一的RGB图像，丢失了所有的时间信息。与此相反，我们提出了一种临时细化的图形网，包括图像级模块和视频级模块，来解决这一问题。imagelevel模块是用于从图像中进行人体形状和姿态估计的图U-Nets，其中图卷积神经网络(Graph CNN)有助于相邻顶点的信息交流，U-Nets架构扩大了每个顶点的接受域，融合了高层和低层特征。videolev
Learning to Denoise Unreliable Interactions for Graph Collaborative Filtering
qq_45931666的博客
10-13 301
Learning to Denoise Unreliable Interactions for Graph Collaborative Filtering
万物皆可Graph | 当推荐系统遇上图神经网络（二）
Kaiyuan_sjtu的博客
06-28 1198
NewBeeNLP原创出品公众号专栏作者@上杉翔二悠闲会·信息检索前段时间，我们关注过图神经网络在推荐系统中的应用：万物皆可Graph | 当推荐系统遇上图神经...
论文笔记：Neural Graph Collaborative Filtering
qq_44015059的博客
07-20 1568
前言 论文链接：https://arxiv.org/abs/1905.08108 github：https://github.com/talkingwallace/NGCF-pytorch 参考：https://www.jianshu.com/p/16c8973ef8ff https://zhuanlan.zhihu.com/p/110682271 https://blog.youkuaiyun.com/weixin_37913042/article/details/99712729 CF方法： 协同过滤学习模型从项
ABB 12kV 紧凑型户外运行箱式变电站传单.pdf
09-18
提到的RGC、RGCC、RGCF、RGCV和RGCE/B等型号或系列，可能是该变电站的系列型号，它们之间可能有着不同的容量、尺寸或者其他功能上的区别，以满足不同客户的需求。RGC可能是其一个系列名称，而SF6可能是指使用了...
《Learning to Denoise Unreliable Intercations for Graph Collaborative Filtering》个人笔记
Chendx66的博客
12-03 845
《Learning to Denoise Unreliable Intercations for Graph Collaborative Filtering》个人笔记
论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_43431934的博客
03-04 4149
论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation paper：https://arxiv.org/abs/2002.02126code：https://github.com/kuandeng/LightGCN NGCF和LightGCN模型展示对比 何向南老师组的两大必读论文NGCF和LightGCN，分别发在SIGIR19’和SIGIR20’。 LightGCN模型的总体...
图神经网络用于推荐系统问题（NGCF，LightGCN，UltraGCN）
热门推荐
nakaizura
06-26 2万+
何向南老师组的又两大必读论文，分别发在SIGIR19’和SIGIR20’。 Neural Graph Collaborative Filtering 协同过滤（collaborative filtering）的基本假设是相似的用户会对物品展现出相似的偏好，自从全面进入深度学习领域之后，一般主要是先在隐空间中学习关于user和item的embedding，然后重建两者的交互即interaction modeling，如MF做内积，NCF模拟高阶交互等。但是他们并没有把user和item的交互信息本身编码进 .
多模态--[GRCN]Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback
weiwei935707936的博客
11-30 1118
摘要: (这篇文章就觉得, 它是通过动态图解决了隐式反馈一些偶然的交互边的问题) 将用户的隐式反馈重组为用户-商品交互图有助于图卷积网络(GCNs)在推荐任务中的应用。在交互图中，用户节点与商品节点之间的边作为gcns的主要元素，进行信息传播，生成信息表示。然而，一个潜在的挑战在于交互图的质量，因为观察到的交互与不太感兴趣的项目发生在隐式反馈中(比如，用户偶然浏览了微视频)。这意味着带有这种假阳性边缘的社区将受到负面影响，用户偏好的信号可能会受到严重污染。然而，现有的基于gcn的推荐模型对这一挑战的探索不
javascript 性能优化实战：异步和延迟加载
小伙伴们全都Lucky！
12-11 831
本文探讨JavaScript性能优化中的异步加载与延迟加载技术。异步加载通过async/defer属性或动态创建script元素避免阻塞渲染；延迟加载则利用IntersectionObserver API按需加载非关键资源。二者结合可显著提升性能：异步加载核心脚本确保交互流畅，延迟加载减少初始请求量。实践表明，该方案能降低DOMContentLoaded时间30%以上，减少初始加载量90%，但需注意async脚本的执行顺序问题和延迟加载的回退处理。文中提供了完整的代码实现示例。
深度学习下载包时可能会遇到的问题及解决方案
m0_50481455的博客
12-09 495
若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。
df赋值和.copy的区别（SettingWithCopyWarning）
ranchor666的博客
12-10 740
copy()
Python 语言编码规范
托塔天王的博客
12-11 940
通常， 不应该描述”怎么做”， 除非是一些复杂的算法，文档字符串应该提供足够的信息， 当别人编写代码调用该函数时，他不需要看一行代码，只要看文档字符串就可以了，对于复杂的代码，在代码旁边加注释会比使用文档字符串更有意义。但是，不要使用一个以上的空格，并且在二元运算符的两边使用相同数量的空格。当捕获异常时， 使用as而不要用逗号。3、 关于函数的几个方面应该在特定的小节中进行描述记录， 这几个方面如下文所述，每节应该以一个标题行开始，标题行以冒号结尾，除标题行外， 节的其他内容应被缩进2个空格。
Windows11系统安装Isaac Sim和Isaac Lab记录
最新发布
weixin_65198494的博客
12-13 364
本文介绍了在Windows 11系统上安装IsaacSim和IsaacLab的完整流程。硬件配置为RTX4060显卡、32GB内存，软件环境包括NVIDIA驱动591.44、CUDA12.8、PyTorch2.7.0和Python3.11。安装IsaacSim5.1的主要步骤包括：更新GPU驱动、安装CUDA、创建conda虚拟环境、开启长路径支持、更新pip后安装IsaacSim pip包。IsaacLab安装则需要克隆GitHub仓库，通过安装脚本完成。最后通过运行验证脚本确认安装成功。
Python LangChain 开发问题：ImportError: Unable to import langchain_anthropic.
weixin_52173250的博客
12-12 143
Python LangChain 开发问题：ImportError: Unable to import langchain_anthropic.
医疗影像 AI——从分割到肿瘤生长预测的完整 Pipeline
m0_68275685的博客
12-09 967
本文介绍了一个完整的医疗AI肿瘤分析流程，包括医学影像读取、3D肿瘤分割、体积计算和生长预测。关键技术点：1）使用3D UNet进行肿瘤自动分割；2）基于体素间距计算肿瘤体积；3）采用LSTM和XGBoost模型预测肿瘤生长趋势。该流程可辅助临床决策，但面临数据标准化、标注成本高等挑战。文章提供了可运行的Python代码示例，适合医学影像AI入门学习和科研实践。
Python进阶之路：模块、包与异常处理的实战指南
这家伙很懒，什么都没有留下
12-12 688
"""爬虫基础异常"""pass"""请求相关异常"""pass"""解析相关异常"""pass。
如何在 Java 中将 RTF 转换为 PDF （含批量转换）
SunnyDays1011的博客
12-12 744
在日常的文档处理工作中，文件格式转换是一个常见且必要的任务。开发者们经常需要将不同格式的文件进行转换，尤其是将富文本格式（RTF）文件转为 PDF 文件。RTF 格式因其对文本内容的丰富支持而广泛应用于文档编辑，而 PDF 格式则以其跨平台的兼容性和固定排版特点被广泛使用。
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