GC-SAN,GLRS常见baseline

2023-11-06 14:30
文章标签 常见 gc baseline san glrs

本文主要是介绍GC-SAN,GLRS常见baseline,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!

文章目录

  • Info
  • 1 Motivation
  • 2 Contribution
  • 3 Solution
    • 具体步骤
    • 3.1 构造 session graph
    • 3.2 生成 node embedding
    • 3.3 获取 global interests embedding
    • 3.4 获取 local interests embedding
    • 3.5 生成 session embedding
    • 3.6 预测
  • 4 Evaluation
  • 5 Summarization

本文首发于公众号:code路漫漫,欢迎关注

第三方code:https://github.com/johnny12150/GC-SAN
思维导图地址:https://github.com/hhmy27/MyNotes

Info

IJCAI 19 的文章,对 SR-GNN 做了一点改进,但是 margin 提升很大,和 SR-GNN 一样是图推荐里面常见的 baseline
简单来说,就是把当时很火的 self-attention 拿过来生成 global interests embedding, current interests embedding 的生成仍然是选取 session 最后一个 item 的 embedding,最后把两个 interests 结合起来,做推荐

模型图
在这里插入图片描述

实验结果
在这里插入图片描述
加了一个 self-attention 居然有这么大的提升。。

1 Motivation

对于当前的 session based recsys,没有很好的捕捉上下文信息,达不到最优的效果
为此我们提出 GC-SAN(graph contextual self-attention network)框架,用来捕捉上下文信息

2 Contribution

  1. 提出GC-SAN框架,提高了推荐效果
  2. GNN用来建模 local dependencies,SAN用来建模 non-local representations
  3. GC-SAN达到了SOTA

3 Solution

具体步骤

具体步骤:

  1. 对于每个 session,构造 session graph 和邻接矩阵
  2. 对于 session graph 上的每个 node,生成它们的 embedding
  3. 对于 node embedding,分别获取 global interests embedding 和 local interests embedding
  4. 将 global and local interests 结合起来生成 session embedding
  5. 最后通过 session embedding 进行预测

每个步骤对应的操作下面将一一叙述

3.1 构造 session graph

在这里插入图片描述出入度矩阵经过归一化

3.2 生成 node embedding

在这里插入图片描述
这里是通过一个GNN,生成 graph 中每个 node 的embedding

我们先拼接一下出入度矩阵
在这里插入图片描述
t 是矩阵中的每一行下标

然后传给 GNN 获取最终的 node 表示 h
在这里插入图片描述

3.3 获取 global interests embedding

在这里插入图片描述
这里的 self-attention layers 是一个用于生成 global interests embedding 的模块,它由三个部分组成

  1. single attention
  2. point-wise feed forward
  3. residual connection

下面是具体做法

这里把 session 中物品的表示拼接起来 H = [ h 1 , h 2 , . . . , h n ] H = [h_1,h_2,...,h_n] H=[h1,h2,...,hn]
传给公式3计算
在这里插入图片描述
然后再按照公式 4 计算,这里采用了残差链接提高效果
在这里插入图片描述
最后为了简便写成公式5的形式
在这里插入图片描述
由于我们堆叠了 k 层,所以最终结果是 E ( k ) E^{(k)} E(k)
在这里插入图片描述

3.4 获取 local interests embedding

local interests embedding 就是 h n h_n hn,即 session 中最后一个 item 的 embedding,这是常用的做法

3.5 生成 session embedding

在这里插入图片描述

通过公式 7 得到最终的 session 表示
在这里插入图片描述

3.6 预测

通过公式 8 计算候选物品的得分
在这里插入图片描述

以及目标函数
在这里插入图片描述

4 Evaluation

在这里插入图片描述
消融实验,带不带 GNN
在这里插入图片描述

超参的影响
在这里插入图片描述

5 Summarization

和 SR-GNN 思路基本一样,不过 global interests embedding 这里使用 self-attention 生成。SR-GNN 使用软注意力机制去生成。

这篇关于GC-SAN,GLRS常见baseline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/357156

相关文章

【编程底层思考】垃圾收集机制,GC算法,垃圾收集器类型概述

Java的垃圾收集(Garbage Collection,GC)机制是Java语言的一大特色,它负责自动管理内存的回收,释放不再使用的对象所占用的内存。以下是对Java垃圾收集机制的详细介绍: 一、垃圾收集机制概述: 对象存活判断:垃圾收集器定期检查堆内存中的对象,判断哪些对象是“垃圾”,即不再被任何引用链直接或间接引用的对象。内存回收:将判断为垃圾的对象占用的内存进行回收,以便重新使用。

JVM 常见异常及内存诊断

栈内存溢出 栈内存大小设置:-Xss size 默认除了window以外的所有操作系统默认情况大小为 1MB,window 的默认大小依赖于虚拟机内存。 栈帧过多导致栈内存溢出 下述示例代码,由于递归深度没有限制且没有设置出口,每次方法的调用都会产生一个栈帧导致了创建的栈帧过多,而导致内存溢出(StackOverflowError)。 示例代码: 运行结果: 栈帧过大导致栈内存

模拟实现vector中的常见接口

insert void insert(iterator pos, const T& x){if (_finish == _endofstorage){int n = pos - _start;size_t newcapacity = capacity() == 0 ? 2 : capacity() * 2;reserve(newcapacity);pos = _start + n;//防止迭代

【Kubernetes】常见面试题汇总(三)

目录 9.简述 Kubernetes 的缺点或当前的不足之处? 10.简述 Kubernetes 相关基础概念? 9.简述 Kubernetes 的缺点或当前的不足之处? Kubernetes 当前存在的缺点(不足)如下: ① 安装过程和配置相对困难复杂; ② 管理服务相对繁琐; ③ 运行和编译需要很多时间; ④ 它比其他替代品更昂贵; ⑤ 对于简单的应用程序来说,可能不

【附答案】C/C++ 最常见50道面试题

文章目录 面试题 1:深入探讨变量的声明与定义的区别面试题 2:编写比较“零值”的`if`语句面试题 3:深入理解`sizeof`与`strlen`的差异面试题 4:解析C与C++中`static`关键字的不同用途面试题 5:比较C语言的`malloc`与C++的`new`面试题 6:实现一个“标准”的`MIN`宏面试题 7:指针是否可以是`volatile`面试题 8:探讨`a`和`&a`

常见的服务器

常见的Web服务器 1、Tomcat:Tomcat和Java结合得最好,是Oracle官方推荐的JSP服务器。Tomcat是开源的Web服务器,经过长时间的发展,性能、稳定性等方面都非常优秀。 2、Jetty:另一个优秀的Web服务器。Jetty有个更大的优点是,Jetty可作为一个嵌入式服务器,即:如果在应用中加入Jetty的JAR文件,应用可在代码中对外提供Web服务。 3、Resin:

【Kubernetes】常见面试题汇总(一)

目录 1.简述 etcd 及其特点? 2.简述 etcd 适应的场景? 3.简述什么是Kubernetes? 4.简述 Kubernetes和 Docker的关系? 1.简述 etcd 及其特点? (1)etcd 是Core0s 团队发起的开源项目,是一个管理配置信息和服务发现(service discovery)的项目,它的目标是构建一个高可用的分布式键值(keyvalue)数据

CSP-J基础之cmath常见函数

文章目录 前言1. **`sin` 函数**2. **`cos` 函数**3. **`exp` 函数**4. **`log` 函数**5. **`fabs` 函数**6. **`pow` 函数**7. **`sqrt` 函数**8. **`ceil` 函数**9. **`floor` 函数** 总结 前言 在计算机科学与编程中,数学函数是解决各种计算问题的基础工具。C++标准

算法复杂度 —— 数据结构前言、算法效率、时间复杂度、空间复杂度、常见复杂度对比、复杂度算法题(旋转数组)

目录 一、数据结构前言 1、数据结构 2、算法 3、学习方法 二、 算法效率 引入概念:算法复杂度  三、时间复杂度 1、大O的渐进表示法 2、时间复杂度计算示例  四、空间复杂度 计算示例:空间复杂度 五、常见复杂度对比 六、复杂度算法题(旋转数组) 1、思路1 2、思路2 3、思路3 一、数据结构前言 1、数据结构         数据结构(D

msyql执行效率的问题以及常见基础面试题目

SQL被称为结构化查询语言(Structured Query Language )是操作和检索关系型数据库的标准语言 SQL语言包括三种主要程序设计语言类别的语句:数据定义语言(DDL),数据操作语言(DML)及数据控制语言(DCL)。 ※ 数据定义语言(DDL),例如:CREATE、DROP、ALTER等语句。    Data Definition Language ※ 数据