【论文学习】Neighbour Interaction based Click-Through Rate Prediction via Graph-masked Transformer

本文主要是介绍【论文学习】Neighbour Interaction based Click-Through Rate Prediction via Graph-masked Transformer,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!

简介

论文提出了一种基于Graph-Masked Transformer 方法,用于解决异构信息网络中链接预测问题。
传统的ctr预测存在问题:一方面用户数据存在稀疏的问题,导致冷启动问题和表达效果不好。另一方面由于传统的推荐系统是基于曝光的,所以直接和用户相关联的商品,不够丰富和详尽,不能梵音用户的潜在问题。
论文的主要贡献是:
1.为了充分挖掘HIN中u2i的关系,来帮组ctr预测问题,提出了四种邻居交互网络
2.提出了GMT算法,可以将图的结构编码进入self-attention表示中。
3.提出了一种一致性正则损失函数表示方法。
4.在多种数据集合上进行了验证,并且在wechat线上取得了22%的收益。

GHNSampling采样方法

在这里插入图片描述
思想比较简单,就是逐层去采样邻居节点,每一种节点采样满足sk个截止。

邻居交互图构建

在这里插入图片描述

  • 完全基于原始邻接矩阵
  • 根据特征相似性
  • 跨type类型的邻接矩阵图
  • 全连接图

模型结构

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

注意力机制,引入了邻接矩阵作为了mask,然后计算权重
在这里插入图片描述
然后使用权重和序列中的其他节点,计算当前节点的向量表示zi,
在这里插入图片描述
最后将所有多头的所有节点,进行concat后线性变换,生成最终的attention后的表示hi。

在这里插入图片描述
边guv使用所有邻居节点的atten表示的平均值表示。

在这里插入图片描述
同时为了防止信息丢失和引入上下文信息,将u,v的原始特征和商家文c引入和guv一起进行mlp处理后,进过softmax处理,作为最终的uv是否有边的预测值。

损失函数

在这里插入图片描述
由于每次是随机采样的,每次采样的样本是不一样的,所以对每次采样的预测结果,损失函数球平均值,同时防止对于每次采样模型预测偏差较大,加了一个Lcr的正则想,防止guv偏离平均值过大。

这篇关于【论文学习】Neighbour Interaction based Click-Through Rate Prediction via Graph-masked Transformer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/463609

相关文章

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学