Kipf, M. Welling.Graph Convolutional Matrix Completion.arXiv: 1706.02263 (2017), 2017. 2018 KDD Deep Learning Day spotlight文章之一。 图卷积神经网络(GCN)是现在深度学习的热点之一,这篇文章基于user-item的二分图(Bipartite graph),提出了一种图自编码器框架,从链路预测的角度解决推荐系统中的评分预测问题...
单个用户(项目)嵌入的形式为用户i(项目j)的实值向量zu i(zv j)。 类似地,我们可以将解码器重构为Mˇ=g(Zu,Zv),即作用于用户和物品嵌入并返回一个大小为Nu×Nv的(重构后的)评分矩阵Mˇ的函数。我们可以通过最小化Mˇ中预测的评分与M中观察到的真实评分之间的重构误差来训练这个图自编码器。在将评级水平...
“本系列主要介绍图表示学习在推荐系统中常见的user-item interaction数据上的建模。我们可以将user-item interaction data看做是关于user-item的二分图Bipartite,这样可以基于GNN的方法进行user和item embedding的学习。本篇介绍来自KDD18的工作GCMC:Graph Convolutional Matrix Completion。” 文章来源:蘑菇先生 http://xt...
摘要:我们从链路预测的视角考虑推荐系统的matrix completion。像电影评分的交互数据可以表示为一个user item的二分图,其中的edge表示观测到的评分。这种表示是特别有用的在额外的基于图的side information存在时。在近来深度学习在图结构数据上取得进展的基础上,我们基于
Graph Convolutional Matrix Completion encoder 图卷积编码器 1.4 Bilinear decoder 双线性解码器 1.5 模型训练论文链接:https://www.kdd.org/kdd2018/files/deep-learning-day/DLDay18_paper_32.pdfGithub链接:https://github.com/riannevdberg/gc-mc
van den Berg R. Kipf T. N. and Weling M. Graph convolutional matrix completion. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (SIGKDD), 2017.概GCN 在推荐系统中的一次尝试.符号说明NuNu, 用户数量; NvNv, 物品数量; N=Nu+NvN=Nu+Nv; r∈{0...
图卷积网络(Graph Convolutional Network) 一. 图简介,图卷积网络的出现。 图(graph)是一种数据格式,它可以用于表示社交网络、通信网络、蛋白分子网络等,图中的节点表示网络中的个体,连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据,因此图卷积神经网络的出现为这些问题的...
Graph Convolutional Matrix Completion via Relation Reconstruction To alleviate sparsity and improve recommender systems performance, it is necessary to go beyond modeling user-item interactions and take auxiliary information into account. Besides user-item interactions, auxiliary information can be use... C...
当我们有基于图的额外侧面信息时，这种表示形式尤其有效。借鉴深度学习在图结构数据上的最新进展，我们提出了一个以可微分消息传递为基础的二分交互图自编码器架构（GC-MC），在存在互补功能信息或结构化数据（如社交网络）时，它超越了当前最先进的方法。我们通过在标准协作过滤任务上的测试验证了这一消息...
To overcome this challenge, in this paper, we propose data poisoning attacks on graph convolutional matrix completion (GCMC) recommender system by adding fake users. The key point of the method is to make fake users mimicrking rating behavior of normal users, then pass the information of thier...