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,权重矩阵分别为和
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
其中,
矩阵形式
将上述离散形式经过推导可得下列矩阵形式
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:
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。