Beschreibung
Neural Graph Collaborative Filtering (NGCF) ist ein fortschrittliches Empfehlungsframework, das Graph-Neuronale Netze zur Verbesserung des kollaborativen Filterns einsetzt. Es kodiert explizit das kollaborative Signal, indem Benutzer-Artikel-Interaktionen als bipartiter Graph dargestellt werden. Das Modell propagiert dann Embeddings durch diesen Graphen und erfasst Konnektivitätsmuster höherer Ordnung, die traditionelle Methoden möglicherweise übersehen.
Weiterlesen
Dieser Ansatz ermöglicht es NGCF, reichhaltigere Repräsentationen von Benutzern und Artikeln zu lernen, indem die komplexen Beziehungen innerhalb der Interaktionsdaten berücksichtigt werden. Das Framework ist darauf ausgelegt, die Genauigkeit von Empfehlungen zu verbessern, indem die zugrunde liegende Struktur von Benutzerpräferenzen und Artikelmerkmalen effektiv modelliert wird. Die bereitgestellte Implementierung basiert auf dem Forschungsartikel, der auf der SIGIR 2019 veröffentlicht wurde.
Das Framework bietet Flexibilität in seiner Architektur und ermöglicht verschiedene Arten von Graph-konvolutionalen Schichten, einschließlich der vorgeschlagenen 'ngcf'-Schicht sowie 'gcn'- und 'gcmc'-Optionen. Benutzer können auch verschiedene Arten von Laplaceschen Matrizen für die Adjazenz angeben, wie 'ngcf', 'plain', 'norm' und 'gcmc', die jeweils unterschiedliche Wege zur Definition der Knotenkonnektivität und der Abklingfaktoren bieten.
Darüber hinaus integriert NGCF Dropout-Techniken zur Regularisierung, insbesondere Node Dropout und Message Dropout, um Overfitting zu verhindern und die Generalisierung zu verbessern. Die Implementierung unterstützt zwei verarbeitete Datensätze: Gowalla und Amazon-book und bietet Beispielbefehle für die Ausführung des Modells mit verschiedenen Konfigurationen. Die Umgebungsanforderungen umfassen Python 3.6.5 und spezifische Versionen von TensorFlow, NumPy, SciPy und Scikit-learn.
NGCF ist besonders vorteilhaft für Empfehlungssysteme, die nuancierte Benutzer-Artikel-Beziehungen erfassen und die Qualität personalisierter Empfehlungen verbessern möchten. Sein graphenbasierter Ansatz macht es für Plattformen mit großen und komplexen Interaktionsdatensätzen geeignet, bei denen das Verständnis von Verbindungen höherer Ordnung für ein effektives Benutzerengagement und eine hohe Zufriedenheit entscheidend ist.
- KategorieKI-Modelle & LLMs
- PreismodellOpen Source
- BereitstellungSelbst gehostet
- PlattformenLinux, macOS, Windows
Neural Graph Collaborative Filtering's Kernfunktionen
Graph-Neuronales Netz-basiertes Empfehlungsframework
Kodiert explizit kollaborative Signale
Lernt Konnektivität höherer Ordnung in bipartiten Benutzer-Artikel-Graphen
Embedding-Propagation für reichhaltigere Repräsentationen
Unterstützt mehrere Typen von Graph-konvolutionalen Schichten (ngcf, gcn, gcmc)
Bietet verschiedene Typen von Adjazenzmatrizen (ngcf, plain, norm, gcmc)
Enthält Node Dropout zur Regularisierung
Enthält Message Dropout zur Regularisierung
Getestet mit Gowalla und Amazon-book Datensätzen
Implementiert in Tensorflow
Erste Schritte mit Neural Graph Collaborative Filtering
Umgebung einrichten: Installieren Sie Python 3.6.5 und die erforderlichen Pakete (tensorflow, numpy, scipy, sklearn).
Daten vorbereiten: Verwenden Sie die bereitgestellten verarbeiteten Datensätze (Gowalla, Amazon-book) oder formatieren Sie Ihre eigenen.
Modell konfigurieren: Wählen Sie den Typ der Graph-konvolutionalen Schicht, den Typ der Adjazenzmatrix und die Dropout-Raten.
Training ausführen: Führen Sie das NGCF-Skript mit dem angegebenen Datensatz und den Hyperparametern aus.
Leistung bewerten: Analysieren Sie die Empfehlungsergebnisse basierend auf dem trainierten Modell.
Integrieren: Passen Sie das trainierte Modell für die Bereitstellung in einem Empfehlungssystem an.
Neural Graph Collaborative Filtering's Anwendungsfälle
- Personalisierte Empfehlungen
- Produktentdeckung im E-Commerce
- Content-Empfehlungen
- Vorschläge in sozialen Netzwerken
- Graph-basierte Merkmalslernen
