意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation
Metapath-guided Embedding method for Intent Recommendation(MEIRec)
“搜索栏关键词推荐”
静态属性数据+交互数据
基于用户历史行为推荐,不是相似的历史查询;无需输入
三元组:user,item,query;动态数据
异构图神经网络,metapath-guided neighbours聚合
HIN:network schema和metapath:
整体结构如下:
基于term lexicon(词典):AliWS(Alibaba Word Segmenter)
进行一致项嵌入,减少参数。
metapath-guided information aggregation:
对于用户:
UIQ:q1->i1,q2,q3->i2,i1,i2->u2UIQ
u2=g(u2UIQ,u2UQI)
g是聚合函数,论文中采用的是简单平均。
序列数据,采用RNN/LSTM
对于查询,同理,但非序列,采用CNN
与静态特征一起经过MLP。
user i和query j之间计算得分:
损失函数:
复杂度:
离线实验中对数据天数、数据量、不同的聚合方式、不同的metapath及neighbour的数目都进行了测试。
线上实验中提高了CTR。
**
输入 0:81:wide_feat_list,42 static features of user + 39 static features query 81:276:user_item_seq_feat,用户单击日志,195= 1513,13=10(item_terms)+1(item_topcate X)+1(item_leafcate X)+1(time_delta X) — rnn —> user_item_term_lstm_output (user_word_embedding) 276:292:query_feat, 16=10(query length)+3(query topcate length X)+3(query leafcate length X),— mean —>query_w2v_sum (query_embedding) 292:462:user_query_seq_feat,用户搜索日志,与user_item_seq_feat同理(user_query_seq_embedding) 462:562:query_item_query_feat,query 引导的 item 对应的 query 的 term avg – cnn/avg—> (query_item_query_embedding) 562:662:user_query_item_feat,n10,10为 query 相应的 item 的term id,reduce mean 之后再根据 query 的顺序用rnn聚合(user_item_query_embedding) 662:812:user_item_query_feat,n10,10为 item 相应的 query 的term id,reduce mean 之后再根据 item 的顺序用rnn聚合(user_query_item_embedding) 812::query_user_item_feat,点击 query 的 user 点击过的 item 的 term avg — cnn/avg—> (query_user_item_embedding) 中间层 wide_feat_list — wide_full_connect —>wide_hidden_layer1 (64 维) embedding — tf.concat — tf.nn.dropout (647 维)—单层全链接—> qu_term_concat(64 维) [wide_feat_list, qu_term_concat] — tf.concat(64*2维) — 两层全链接(128-64-1) — > global_res loss 和优化 loss = 交叉熵+对全链接w的L2正则化 优化器 adam,带 clip_by_global_norm(global 的梯度阶段)、exponential_decay(梯度衰减)、ExponentialMovingAverage(平滑)**
意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation相关推荐
- Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation 个人总结
Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation 个人总结 写在前面:为方便阅读,尽量使用中文总 ...
- Reinforcement Learning Enhanced Heterogeneous Graph Neural Network阅读笔记
强化学习增强异质图神经网络 代码源:https://github.com/zhiqiangzhongddu/RL-HGNN 摘要 异构信息网络(HINs)涉及多种节点类型和关系类型,在许多实际应用中非 ...
- Heterogeneous Graph Neural Network(异质图神经网络)
Heterogeneous Information Network 传统的同构图(Homogeneous Graph)中只存在一种类型的节点和边,当图中的节点和边存在多种类型和各种复杂的关系时,再采用 ...
- 【论文分享】异构图神经网络域名检测方法GAMD:Attributed Heterogeneous Graph Neural Network for Malicious Domain Detection
题目:Attributed Heterogeneous Graph Neural Network for Malicious Domain Detection 链接:https://ieeexplor ...
- 【PaperReading】Heterogeneous Graph Neural Network
Heterogeneous Graph Neural Network 1. 引言 2. 问题定义 2.1 内容关联异质图(Content-associated Heterogeneous Graphs ...
- 2021_AAAI_Knowledge-aware Coupled Graph Neural Network for Social Recommendation
[论文阅读笔记]2021_AAAI_Knowledge-aware Coupled Graph Neural Network for Social Recommendation 论文下载地址: htt ...
- A Heterogeneous Graph Neural Model for Cold-start Recommendation(SIGIR20)
原文链接 A Heterogeneous Graph Neural Model for Cold-start Recommendation | Proceedings of the 43rd Inte ...
- 【社交推荐图神经网络】Graph Neural Networks for Social Recommendation
用于社会推荐的图神经网络 [原文链接] [摘要]该文提供了一种方法来联合捕获用户-项目图中的交互和意见,并提出了框架GraphRec,该框架对两个图进行了一致建模.该模型由用户建模.项目建模和评级预测 ...
- Knowledge-aware Coupled Graph Neural Network for Social Recommendation
知识感知耦合的图神经网络 摘要 社交推荐任务旨在通过结合用户之间的社交联系,预测用户对项目的偏好,从而缓解协同过滤的稀疏问题.虽然最近的许多努力表明了基于神经网络的社交推荐系统的有效性,但有几个重要的 ...
最新文章
- windows中进程详解
- PHP:使用Zend对源码加密、Zend Guard安装以及Zend Guard Run-time support missing的解决方法
- 【数字信号处理】基本序列 ( 单位阶跃序列 | 单位阶跃序列与单位脉冲序列关系 | 矩形序列 | 矩形序列与单位阶跃序列关系 | 矩形序列作用 )
- apache-详细配置文件介绍+多种方式虚拟主机配置
- python删除对象引用_使用Python删除内存中的对象
- 2 亚马逊_索泰称仅亚马逊渠道就收到2万块RTX 3080显卡订单,无法按时发货
- matplotlib.pyplot.savefig(*args, **kwargs)保存图片$close()关闭图片
- Java阶段2-02JS:08ECMAScript BOM DOM:
- 小米立 Flag:要做年轻人的第一个深度学习框架
- 天云服务器做系统,自己做云服务器系统
- python两数相加有进退位_仁裁者、Python之父Guido“退位”,python何去何从?
- JavaScript获取CSS内联样式和外联样式
- win7升级win10正式版_win7升级win10数据是否会丢失?
- 怎么用html5动画效果,教你如何在网页上用H5实现动画效果
- SSL证书错误怎么办?浏览器常见SSL证书报错解决办法
- 目前世界最穷的国家是哪一个?
- 【微信小程序】表单验证WxValidate.js使用
- 你的程序要读入一系列正整数数据,输入-1表示输入结束,-1本身不是输入的数据。程序输出读到的数据中的奇数和偶数的个数。
- networkx igraph相互转换+效率比较
- 京东实习生招聘面试小记
热门文章
- c++ MFC 根据屏幕分辨率变化自动调整控件位置和大小
- Java实现简单日期计算功能
- python默认字体大小_如何设置PIL加载的默认字体的大小,使其适合我的8x8矩阵?...
- Axure 9 修改默认字体
- Eclipse英文版视频教程(from Carleton University)
- 福特汉姆计算机专业,福特汉姆大学计算机如何
- makefile编译子目录
- KaLi Linux 2019.2安装netspeed
- 我怎样从珍爱网拿回18800会员费:交友平台相亲不靠谱
- 心理压力的测试软件,心理压力测量量表(WYB)