論文解析:Neural Graph Collaborative Filtering
- 作者:Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, Tat-Seng Chua(新加坡國立大學)
- 會議:SIGIR 2019
方法
和Graph Convolutional Matrix Completion一樣,Neural Graph Collaborative Filtering (NGCF)也是把推薦中的user-item交互關係建模爲一個二分圖。
信息傳播
在信息傳播的過程中,NGCF把item embedding和user-item交互embedding的權重做了區分,權重矩陣分別爲和
信息聚合
簡單相加然後過激活層的方式做信息聚合,同時也把user embedding自身的更新做了單獨處理
其中,
矩陣形式
將上述離散形式經過推導可得下列矩陣形式
Jumping Knowledge
最後用於做user-item特徵交叉的user embedding和item embedding均經過jumping knowledge處理,即將各層的user embedding和item embedding拼接。拼接後的user/item embedding通過傳統的點積做預測
Loss
由於處理的是隱式反饋問題,只有0/1 label表示user/item之間是否存在交互而沒有等級評分,因此採用BPR loss,是一種pairwise loss,計算隱式反饋中有交互的u/i對的預測得分與無交互的u/i對的預測得分的距離,並用sigmoid函數進行[0,1]區間歸一化:
實驗
- 數據集:Gowalla, Yelp2018, Amazon-book
- 切分:80% train, 20% test,train當中10% validation
- 預處理:只保留數據集中超過10個連接的user和item
- 評價指標:搜索/推薦領域常用的recall和ndcg
- 實驗結果
除了與其他方法的對比實驗,NGCF還做了超參數實驗以及embedding可視化實驗。