WhisperEcho101-CSDN博客

原创【论文笔记】Disentangled Graph Collaborative Filtering --- SIGIR2020

摘要从历史交互数据中学习用户、物品的表示是协同过滤中重要的一步。当前的嵌入方程利用用户-项目关系来丰富表示，从单个用户-项目实例演变为整体交互图。尽管如此，大多数的模型仍然使用统一的方式处理用户-物品之间的关系，忽略了不同用户意图对采购物品的影响，例如消磨时间、真正感兴趣、给家人买东西等。这种统一的方法对对用户进行建模容易导致次优表示（suboptimal representations），未能对不同的关系进行建模并在表示中分离用户意图。在本文中，我们特别关注在用户意图的细粒度上的用户-物品关系。我

2020-10-28 16:25:27 3811 2

原创【论文笔记】Simple and Deep Graph Convolutional Networks

本文提出了一种新的GCN方法——GCNII，一种结合了初始残差（Initial residual）和同一映射(Identity mapping)的香草GCN(the vanilla GCN)扩展模型，并证明了这两种技术有效的解决了过平滑（over-smoothing）的问题。1. 介绍GCNs相当于把CNNs应用于图结构的数据任务中。为了学习图表示，图卷积给所有的节点应用相同的线性变换，随后跟着一个非线性函数。进几年，GCNs和它的变体成功在很多地方都有成功应用。虽然GCNs取得了很大的成功，但

2020-10-19 20:57:48 1517

原创【论文笔记】DeepCF: 推荐系统中表示学习和匹配函数学习的统一框架

DeepCF: A Unified Framework of Representaton Learnng and Matching Function Learning in Recommender System本文提出了一种新的框架DeepCF，结合了表示学习和匹配方程学习两种方法的优点，通过搭建深度学习网络预测用户-物品交互矩阵。最重要的是，它和之前提到的NGCF等使用点积做最后预测的模型不同，此模型采用一层全连接层学习最后的预测函数。概要通常来说，推荐系统视为一个匹配问题，给适合的用户.

2020-10-18 18:42:37 1660 1

原创【论文笔记】Dual Channel Hypergraph Collaborative Filtering ---- KDD 2020

本文提出了一种新的基于超图的DHCF框架来学习高阶，主要有两部分高阶消息传递和联合消息更新。概要协同过滤是一种最火的和最重要的推荐方法。即使被广泛采用，存在CF的模型，从矩阵分解到新兴的基于图的方法，当模型数据有限的时候表现都是比较差的。在本文中，我们首先指出了造成这种现象的两种主要主要原因：1、用户和项目建模不灵活2、实体之间的高阶相关性建模不足。在这种情况下，我们提出了一个二重的超图协同过滤(DHCF)框架来解决这种问题。首先，双通道学习策略，全面利用分而治之的策略，分别学习用户-物品的表.

2020-10-18 10:25:30 2048 1

原创【论文笔记】Revisiting graph based collaborative Filtering:一种线性残差图图卷积网络方法

摘要GCNs通过不断堆叠层数是最好的图表示模型。最近，推荐系统中的协同过滤，一种把用户-物品交互当作二部图来看待的方法，一些研究使用GCNs来建模高阶的协同信号。这些推荐模型相比于传统的模型展示了很好的性能。然而，这些模型由于带着非线性激活并且用在大的用户-物品交互图中是十分难训练的。并且，大多数的GCNs网络由于过平滑问题都不能太深。在本文中，我们从两个方面重新审视了基于GCN的CF模型：1.我们的经验表明，去除非线性会提高推荐性能，这与简单图卷积网络的理论是一致的 2.我们提出了一...

2020-10-17 14:31:06 2184 1

原创【论文笔记】Simplifying Graph Convolutional Networks --- LCML2019

本文介绍了一种简化版的GCN网络，其在某些任务上取得了与其他方法相媲美的成绩，并且大大减少了运算量，调高了计算效率。概述GCN和它的变体已经成为了图表示学习的事实方法。GCN的灵感主要来自最近的深度学习方法，它可能继承了一些不必要的复杂性和冗余计算。在本文中，我们将通过移除连续层中的非线性变换、折叠权重矩阵来减少计算过量的复杂度。我们从理论上分析了所得到的线性模型，并表明它等价于一个固定的低通滤波器（后面有个线性分类器）。模型对大多数下游任务没有负面影响。1 介绍GCNs是CNN在图结.

2020-10-13 21:58:56 1362

原创【论文笔记】Neural Graph Collaborative Filtering --- SIGIR2019

本文提出了一个基于图结构的新型推荐系统模型NGCF。它通过在用户-物品图中建立高阶连通性表达模型，把协同信号显式的注入了用户（物品）的embeddings过程中。摘要学习向量表示（embeddings），用户和项目的嵌入性是现代推荐系统的核心。从最初的矩阵分解到最近出现的基于深度学习的方法，都是从先前存在的特征来表示用户（物品）的嵌入。这些方法的一个固有缺点是协同信号（collaborative signal），在用户和物品的交互中式隐藏的，在嵌入过程中没有被编码。这样，最后的嵌入可能不足够获.

2020-10-11 11:21:04 1617

原创【论文笔记】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation --- SIGIR2020

本文提出了一种轻型但是有效的GCN网络用于推荐系统摘要GCN在协同过滤中已经变成了一个最先进的方法，但是，它有效性的理由一直没有被理解。现有的工作缺少对GCN的彻底消融分析（thorough ablation analyses），然而，我们发现两个最常见的GCNs操作（特征变化和非线性激活）对协同过滤是没有用的，甚至还会增加训练的复杂度并且降低推荐系统的表现。在本文中，我们对GCN的设计进行了简化让它更加适用于推荐系统，我们把它叫做LightGCN。它只包含GCN中最基本的结构（邻居聚合）.

2020-10-10 19:17:09 8746 1

原创【论文笔记】Neural Collaborative Filtering --- WWW2017

摘要近几年来，神经网络已经在声音识别等领域取得了巨大的成功，然而关于推荐系统的神经网络研究却很少有人关注。在本文中，我们提出了一种新的基于神经网络的方法解决推荐系统中的关键问题--协同过滤(基于隐式反馈)。即使近几年来已经有工作把神经网络用于推荐系统，但他们主要用神经网络来建模辅助信息，但是对于用户和物品的特征交互，仍然使用矩阵分解和内积。我们提出了一个通用框架NCF，它可以从数据中学习任意函数的神经网络结构代替内积，同时利用多层感知机来学习用户-物品的交互方程。关键字协同过滤、神经网络

2020-10-08 16:41:17 662

原创【论文笔记】GRAPH ATTENTION NETWORKS

1、简介 CNNs已经成功应用在很多具有网格结构的数据的问题中,但是有很多任务的数据不能表示成网格结构，例如人际关系、电子商务等。现在已经有很多调查试图把神经网络应用在任意结构的图中，如何将RNNs应用于图结构，还有改进的将GRU应用于图结构。与此同时，将卷积应用到图结构越来越热门。主要分为两种，一种频域方法，一种非频域方法。 attention机制已经在很多序列数据上变成了事实上的标准，它的一个好出是它可以应对不同大小的输入，同时关注最相关的部分以做出选择。此文章介绍一个基于atten

2020-10-02 15:55:14 340

原创【论文笔记】Deep Learning on Graphs: A Survey

1 INTRODUCTIONThis problem is non-trivial because several challenges exist in applying traditional deep learning architectures to graphs:这个问题是非常重要的，因为在将传统的深度学习架构应用于图形时存在一些挑战：Irregular structures of graphs.图的不规则结构Heterogeneity and diversity of graphs.图的

2020-09-24 16:54:08 3745

weixin_44884854的博客