首页 > 其他分享> 文章详细

2022-IA-GCN: Interactive Graph Convolutional Network for Recommendation阅读笔记

2022-04-22 20:00:42 阅读：256 来源： 互联网

标签：Convolutional 聚合 Network Graph 交互 GCN item user hat

IA-GCN: Interactive Graph Convolutional Network for Recommendation

0.论文信息

paper地址：https://arxiv.org/pdf/2204.03827v1.pdf
code：未公开

1. 摘要

问题： 在之前的研究工作中，在embedding过程中没有考虑user-item之间的交互特征
方法： 提出了IA-GCN模型，在user-item之间建立双边交互指导。
- 在学习用户(user)表示的时候，注重在 item 树中给跟目标用户相似的邻居分配更多的权重。
- 在学习项目(item)表示时，更关注在 user 树中与目标 item 相似的邻居。
注：这篇文章是基于何向南老师的 Light-GCN 改的

2. 引言

问题： 有的基于gcn的CF算法虽然已经被广泛研究，但大多存在一个关键的限制：在CF层中，用户树和项目树直到最终融合时才进行交互。这是因为它们的聚合大多继承自传统的GCNs，，最初是为了对每个节点进行分类而提出的。然而，推荐任务与分类任务有着根本的不同: 不仅关注user和item的一般特征、用户的购买力、对项目的评分，还需要关注user和item之间的交互信息。比如: user 在选择 item 时的 consideration，item 吸引 user 的 characteristic，这些都决定着用户的 preference。

3. 模型概述

3.1 问题定义

user：$U=\{u_1,u_2,...,u_n\}$
item: $I=\{i_1,i_2,...,i_m\}$
目标是学得一个函数：$f:U\times I ->R$ 来预测的user-item pair $ (u,i)$ 偏好分数 (preference score) $\hat y_{u,i}$
- 一个准确的predictor $f$ 应该给positive user-item pair $ (u,i_+)$ 分配相比于negative user-item pair $ (u,i_-)$ 更高的分数
- positive 交互：点击、购买等等
根据 Bayesian Personalized Ranking (BPR)[1205.2618.pdf (arxiv.org)] , 将目标函数定义为：

\[l(D)=- \frac 1{|D|}\sum_{(u,i_+,i_-)\in D}ln \sigma(\hat y_{u,i_+}- \hat y_{u,i_-}+\lambda R ) \]

$D$ 是数据集，$\sigma$ 是 $sigmoid$ 函数，$\lambda R$ 表示对所有模型参数的正则化。

偏好得分 $\hat y_{u,i}$ 的计算，即目标用户和目标项目的内积：

\[\hat y_{u,i} =f(u.i)=<e^0_u,e^0_i> \]

$e_u^0 ,e_i^0\in R^d$ 是 $u$ 和 $i$ 的 embeddings，总的来说，我们有 $

标签：Convolutional,聚合,Network,Graph,交互,GCN,item,user,hat
来源： https://www.cnblogs.com/lyxLearningNotes/p/16180342.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9