我们的出发点是之前在图神经网络方面的工作(Scarselli等人,2009),我们将其修改为使用门控循环单元(gated recurrent units)和现代优化技术(modern optimization techniques),然后扩展到输出序列(output sequences)。 其结果是一类灵活且广泛有用的神经网络模型,当问题是图结构时,相对于纯基于序列的模型(例如LSTM),具有良好...
论文总结: 图神经网络 (GNN) 已经成功地建模用户关系用于推荐系统等领域,然而,现有的基于 GNN 的方法通常假设一个预定义的社交网络,这存在两方面问题,首先,现实世界中构建社交网络成本昂贵;其次,社交关系是静态的,具有社交关系的两个用户可能不会对商品共享相同的偏好,共享相似偏好的两个用户也可能不知道彼此的存在。
最近,图神经网络(GNN)技术在推荐系统中得到了广泛的应用,主要原因有以下三点:1)推荐系统中的大部分信息本质上都具有图结构,而 GNN 在图表示学习方面具有优势;2)从图结构的角度,不同的数据类型信息可以采用统一的框架建模;3)GNN 通过多层网络传递信息,可以显式地编码用户交互行为中的高阶信号。 本文基于推荐过程中...
GGRM大致可以分为三个部分:嵌入层将用户、产品和群组映射为低维稠密向量表示;图神经网络通过学习二部图中的高层连接,聚合用户、产品和群体的特征;而预测层则聚合用户的个人偏好和群体偏好,并输出用户对产品的偏好评分。GGRM的核心是图神经网络部分。 如图2所示,从上到下总共有三个二部图作为模型的输入。它们分别是...
5.2 图嵌入和图神经网络的区别 5.3 图卷积网络(GCN) 5.4 GCN方法又可以分为两大类 1、前言: 这部分其实和上一篇学习的论文属于一种概述性的,因此采用初略的阅读,最主要的处理是对论文大致的中文进行梳理,对神经网络常用的缩写进行梳理、以及对于论文的概括。
北京大学计算机系崔斌教授团队,针对POI特有的时空属性,提出了一种综合利用协同过滤信息和时空信息的基于图神经网络的POI推荐模型。 作者|吴史文、张远行、高成良、边凯归、崔斌,北京大学计算机系 移动设备和定位技术的进步显著提高了移动网络中基于位置的服务(Location-b...
<返回首页 图神经网络论文推荐MR-GNN Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions.pdf 2019-06-09上传 暂无简介 文档格式: .pdf 文档大小: 1.17M 文档页数: 8页 顶/踩数: 0/0 收藏人数: 0 评论次数: ...
从数据上来看,SR-GNN超过了经典的GRU4REC,这也说明了图信息的嵌入能带来更好的推荐效果。 三、总结 本论文很巧妙的将图信息嵌入的神经网络中,更高地让GRU学习到每个item之间的关系,不再局限于相邻的物品之间进行学习。近年来,图神经网络的思想和方法屡屡被用在推荐系统中,学好图神经网络应该是推荐系统的下一个热...
图1. 用户-新闻-主题异质图与两层异质图神经网络。 2 模型介绍 如图2所示,GNewsRec模型包含三个主要部分:用于文本信息提取的CNN,用于长期用户兴趣建模和新闻建模的GNN,以及用于短期用户兴趣建模的基于注意力的LSTM模型。第一部分是通过CNN从新闻标题和概要中提取新闻特征。第二部分构建具有完整用户点击历史记录的用户...
本文所提出的 MEIRec 的核心思想是:设计一个异质图神经网络来学习 user 和 query 的表示。Figure 3 展示了 MEIRec 的整个算法框架。 Uniform Term Embedding 在意图推荐场景下,有十亿级的 users 和 queries,因此我们无法给每个 user 活 query 初始一个 Embedding。需要注意的是,每个 query 或者 item 都可以用少量...