NCL:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning,代码解读
一、前言
1、背景
(1)用户-项目交互数据通常是稀疏或嘈杂的,并且它可能无法学习可靠的表示,因为基于图的方法可能更容易受到数据稀疏性的影响
(2)现有的基于 GNN 的 CF 方法依赖于显式交互链接来学习节点表示,而不能显式利用高阶关系或约束(例如,用户或项目相似性)来丰富图信息,尽管最近的几项研究利用对比学习来缓解交互数据的稀疏性,但它们通过随机抽样节点或损坏子图来构建对比对,缺乏构建针对推荐任务更有意义的对比学习任务的思考。
2、做出的贡献
提出NCL方法,主要从两方面考虑对比关系,
(1)结构邻居 : 通过高阶路径在结构上连接的节点
考虑图结构上的用户-用户邻居,商品-商品邻居的对比关系
(2)语义邻居 : 语义上相似的邻居,在图上可能不直接相邻。
从节点表征出发,聚类后,节点与聚类中心构成对比关系
二、模型构建
1、图协同过滤
这里其实就是lightGCN的传播机制,简单过一下:
GCN的消息传递
将每层的输出组合起来,形成结点的最终表示
然后就是预测,和BPR的损失函数
这一部分是基础,如果不熟悉的话可以回看往期的lightGCN介绍
2、结构邻居的对比学习
提出将每个用户(或项目)与他/她的结构邻居进行对比,这些邻居的表示通过GNN的层传播进行聚合。
交互图 G 是一个二分图,基于 GNN 的模型在图上的偶数次信息传播自然地聚合了同构结构邻居的信息,就可以从GNN模型的偶数层(如2,4,6)输出中得到同类邻居的表示,我们将用户自身的嵌入和偶数层GNN的相应输出的嵌入视为正对。基于InfoNCE[20],我们提出了结构对比学习目标来最小化它们之间的距离:
其中 为GNN中
NCL:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning,代码解读相关推荐
- #Reading Paper#Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learni
#论文题目:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning(推荐系统:基 ...
- Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning(个人笔记)
论文:利用邻域丰富的对比学习改进图协同过滤 (NCL) WWW22 文章链接:https://arxiv.org/abs/2202.06200v1https://arxiv.org/abs/2202. ...
- 论文笔记:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
1 简介 论文:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning 发表:2 ...
- Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
1. 摘要 最近,图协同过滤方法被提出作为一种有效的推荐方法,它可以通过建模用户-项目交互图来捕获用户对项目的偏好.尽管有效,但这些方法在实际场景中存在数据稀疏问题.为了减少数据稀疏性的影响,在图 ...
- 2022_WWW_Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
[论文阅读笔记]2022_WWW_Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Lear ...
- 2019_SIGIR_Neural Graph Collaborative Filtering
[论文阅读笔记]2019_SIGIR_Neural Graph Collaborative Filtering 论文下载地址: https://doi.org/10.1145/3331184.3331 ...
- 知识图谱论文阅读(二十一)【SIGIR2019】NGCF: Neural Graph Collaborative Filtering
题目:Neural Graph Collaborative Filtering 代码: https://github.com/xiangwang1223/neural_graph_collaborat ...
- 论文笔记(Neural Graph Collaborative Filtering)
神经图协同过滤 论文链接:Neural Graph Collaborative Filtering, SIGIR'19 原理:在 user-item interaction graph 上使用 GNN ...
- 矩池云上复现论文 Neural Graph Collaborative Filtering 环境复现
矩池云上复现论文 Neural Graph Collaborative Filtering 环境复现 Neural Graph Collaborative Filtering (NGCF) is a ...
最新文章
- 一文详解面向多级多模态场景的召回引擎
- Oracle 性能相关常用脚本(SQL)
- grabcut.cpp:380: error: (-215) !bgdSamples.empty() !fgdSamples.empty() in function initGMMs
- 洛谷 - P1198 - 最大数 - 线段树
- Linux字符设备驱动框架
- LeetCode 848. 字母移位(前缀和+取模)
- 我的世界java加入更多床_《我的世界》床的N种玩法,教你如何更快地入眠
- 天庭最牛系统 推荐下载_PPT中有哪些特别好用的插件?(含下载链接)
- Eclipse — 快速生成提示代码和快速导包
- 数据挖掘-----Apriori算法
- 用React加CSS3实现微信拆红包动画
- 绿城中国的数字化转型之大中台实践
- 机器人潘森护盾_新版潘森无伤抗塔 还能抵消死歌大招?E技能护盾机制全解析...
- numpy与scipy安装
- Java中枚举类的ordinal()方法
- CSS超链接标记大全
- NTP网络校时(北斗卫星授时设备)技术核心源码让网络时间同步不再难
- Python学习小组课程P2-Python基础(2)文件操作
- 深度学习机器学习面试题(理论基础)
- 中点画线法(计算机图形学)