Layer-refined Graph Convolutional Networks for Recommendation【ICDE2023】

2024-08-25 22:04

本文主要是介绍Layer-refined Graph Convolutional Networks for Recommendation【ICDE2023】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Layer-refined Graph Convolutional Networks for Recommendation

论文:https://arxiv.org/abs/2207.11088
源码:https://github.com/enoche/MMRec/blob/master/README.md

摘要

基于图卷积网络(GCN)的抽象推荐模型综合了用户-项目交互图的节点信息和拓扑结构,具有良好的性能.然而,这些基于GCN的推荐模型不仅在堆叠太多层时会出现过平滑,而且在用户-项目交互中会存在噪声,从而导致性能退化。本文首先指出了现有的基于GCN的推荐模型中存在的过度平滑和解崩溃的问题。具体而言,这些模型通常会聚合所有层的嵌入以进行节点更新,并由于过度平滑而在几个层内实现最佳推荐性能。相反,如果我们将可学习的权重放在层嵌入上以进行节点更新,权重空间将总是塌陷到一个固定点,在该点上,自我层的权重几乎占据了所有权重。本文提出了一种基于层的GCN模型LayerGCN,该模型在GCN的信息传播和节点更新过程中内斯层的表示进行了定义。此外,以往的基于GCN的推荐模型在不区分噪声节点的情况下,将所有邻居节点的信息聚合在一起,降低了推荐性能。我们的模型进一步修剪了用户-项目交互图的边,遵循度敏感的概率而不是均匀分布。

动机

在这里插入图片描述
在lightGCN中随着节点更新次数增多,自我层的权重越来越大,直至出现过渡平滑。
自我层的加权总是占主导地位,这妨碍了来自高阶(即多跳距离)邻居的信息集成到当前节点表示中。产生权重塌缩

概念

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
本文采用和LightGCN相同的转换矩阵,随后采取边丢去,每条边丢弃的概率如下:

在这里插入图片描述
d分别表示节点i的度,节点j的度。基于上述的概率进行边采样,来代替A矩阵,用Ap来表示,然后对矩阵Ap进行归一化处理。

2) Layer-refined Graph Convolution (LayerGC):

受到残差网络的启发,每层节点更新如下:
在这里插入图片描述
在这里插入图片描述
要计算每层的节点与原始节点的相似度,节点i和j之间的相似度计算如下。
在这里插入图片描述

通过Readout函数获得最终的节点表示,通过用户和物品向量的点击获取预测分数
在这里插入图片描述

框架图

在这里插入图片描述

这篇关于Layer-refined Graph Convolutional Networks for Recommendation【ICDE2023】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1106774

相关文章

[Linux Kernel Block Layer第一篇] block layer架构设计

目录 1. single queue架构 2. multi-queue架构(blk-mq)  3. 问题 随着SSD快速存储设备的发展,内核社区越发发现,存储的性能瓶颈从硬件存储设备转移到了内核block layer,主要因为当时的内核block layer是single hw queue的架构,导致cpu锁竞争问题严重,本文先提纲挈领的介绍内核block layer的架构演进,然

图神经网络框架DGL实现Graph Attention Network (GAT)笔记

参考列表: [1]深入理解图注意力机制 [2]DGL官方学习教程一 ——基础操作&消息传递 [3]Cora数据集介绍+python读取 一、DGL实现GAT分类机器学习论文 程序摘自[1],该程序实现了利用图神经网络框架——DGL,实现图注意网络(GAT)。应用demo为对机器学习论文数据集——Cora,对论文所属类别进行分类。(下图摘自[3]) 1. 程序 Ubuntu:18.04

SIGMOD-24概览Part7: Industry Session (Graph Data Management)

👇BG3: A Cost Effective and I/O Efficient Graph Database in ByteDance 🏛机构:字节 ➡️领域: Information systems → Data management systemsStorage management 📚摘要:介绍了字节新提出的ByteGraph 3.0(BG3)模型,用来处理大规模图结构数据 背景

A Comprehensive Survey on Graph Neural Networks笔记

一、摘要-Abstract 1、传统的深度学习模型主要处理欧几里得数据(如图像、文本),而图神经网络的出现和发展是为了有效处理和学习非欧几里得域(即图结构数据)的信息。 2、将GNN划分为四类:recurrent GNNs(RecGNN), convolutional GNNs,(GCN), graph autoencoders(GAE), and spatial–temporal GNNs(S

Neighborhood Homophily-based Graph Convolutional Network

#paper/ccfB 推荐指数: #paper/⭐ #pp/图结构学习 流程 重定义同配性指标: N H i k = ∣ N ( i , k , c m a x ) ∣ ∣ N ( i , k ) ∣ with c m a x = arg ⁡ max ⁡ c ∈ [ 1 , C ] ∣ N ( i , k , c ) ∣ NH_i^k=\frac{|\mathcal{N}(i,k,c_{

013.Python爬虫系列_re正则解析

我 的 个 人 主 页:👉👉 失心疯的个人主页 👈👈 入 门 教 程 推 荐 :👉👉 Python零基础入门教程合集 👈👈 虚 拟 环 境 搭 建 :👉👉 Python项目虚拟环境(超详细讲解) 👈👈 PyQt5 系 列 教 程:👉👉 Python GUI(PyQt5)文章合集 👈👈 Oracle数据库教程:👉👉 Oracle数据库文章合集 👈👈 优

android xml之Drawable 篇 --------shape和selector和layer-list的

转自 : http://blog.csdn.net/brokge/article/details/9713041 <shape>和<selector>在Android UI设计中经常用到。比如我们要自定义一个圆角Button,点击Button有些效果的变化,就要用到<shape>和<selector>。 可以这样说,<shape>和<selector>在美化控件中的作用是至关重要。 在

Complex Networks Package for MatLab

http://www.levmuchnik.net/Content/Networks/ComplexNetworksPackage.html 翻译: 复杂网络的MATLAB工具包提供了一个高效、可扩展的框架,用于在MATLAB上的网络研究。 可以帮助描述经验网络的成千上万的节点,生成人工网络,运行鲁棒性实验,测试网络在不同的攻击下的可靠性,模拟任意复杂的传染病的传

Convolutional Neural Networks for Sentence Classification论文解读

基本信息 作者Yoon Kimdoi发表时间2014期刊EMNLP网址https://doi.org/10.48550/arXiv.1408.5882 研究背景 1. What’s known 既往研究已证实 CV领域著名的CNN。 2. What’s new 创新点 将CNN应用于NLP,打破了传统NLP任务主要依赖循环神经网络(RNN)及其变体的局面。 用预训练的词向量(如word2v

【机器学习】生成对抗网络(Generative Adversarial Networks, GANs)详解

🌈个人主页: 鑫宝Code 🔥热门专栏: 闲话杂谈| 炫酷HTML | JavaScript基础 ​💫个人格言: "如无必要,勿增实体" 文章目录 生成对抗网络(Generative Adversarial Networks, GANs)详解GANs的基本原理GANs的训练过程GANs的发展历程GANs在实际任务中的应用小结 生成对