论文解析：Neural Graph Collaborative Filtering

论文解析：Neural Graph Collaborative Filtering

• 作者：Xiang Wang, Xiangnan He, Meng Wang, Fuli Feng, Tat-Seng Chua（新加坡国立大学）
• 会议：SIGIR 2019

方法

和Graph Convolutional Matrix Completion一样，Neural Graph Collaborative Filtering (NGCF)也是把推荐中的user-item交互关系建模为一个二分图。

信息传播

在信息传播的过程中，NGCF把item embedding和user-item交互embedding的权重做了区分，权重矩阵分别为$W_1$和$W_2$
$m_{u\leftarrow i} = \frac{1}{\sqrt(|N_u||N_i|)} (W_1e_i + W_2(e_i \cdot e_u))$

信息聚合

简单相加然后过激活层的方式做信息聚合，同时也把user embedding自身的更新做了单独处理
$e_u^{(l)} = LeakyReLU(m_{u\leftarrow u}^{(l)} + \sum\limits_{i\in N_u} m_{u\leftarrow i}^{(l)})$
其中，
$m_{u\leftarrow u}^{(l)} = W_1^{(l)} e_u^{(l-1)}$

矩阵形式

将上述离散形式经过推导可得下列矩阵形式
$E^{(l)} = LeakyReLU((L+I) E^{(l-1)} W_1^{(l)} + L E^{(l-1)}\cdot E^{(l-1)} W_2^{(l)})$

Jumping Knowledge

最后用于做user-item特征交叉的user embedding和item embedding均经过jumping knowledge处理，即将各层的user embedding和item embedding拼接。拼接后的user/item embedding通过传统的点积做预测

Loss

由于处理的是隐式反馈问题，只有0/1 label表示user/item之间是否存在交互而没有等级评分，因此采用BPR loss，是一种pairwise loss，计算隐式反馈中有交互的u/i对的预测得分与无交互的u/i对的预测得分的距离，并用sigmoid函数进行[0,1]区间归一化：
$Loss = \sum\limits_{(u,i,j) \in O} -ln\sigma(y_{ui} - y_{uj}) + \lambda||\Theta||_2^2, O=\{(u,i,j)|(u,i)\in R^+, (u,j)\in R^-\}$

实验

• 数据集：Gowalla, Yelp2018, Amazon-book
• 切分：80% train, 20% test，train当中10% validation
• 预处理：只保留数据集中超过10个连接的user和item
• 评价指标：搜索/推荐领域常用的recall和ndcg
• 实验结果
  
  除了与其他方法的对比实验，NGCF还做了超参数实验以及embedding可视化实验。