Descripción
El Filtrado Colaborativo Neuronal Gráfico (NGCF) es un marco de recomendación avanzado que utiliza redes neuronales gráficas para mejorar el filtrado colaborativo. Codifica explícitamente la señal colaborativa representando las interacciones usuario-ítem como un grafo bipartito. El modelo luego propaga las incrustaciones a través de este grafo, capturando patrones de conectividad de orden superior que los métodos tradicionales podrían pasar por alto.
Leer más
Este enfoque permite a NGCF aprender representaciones más ricas de usuarios e ítems al considerar las complejas relaciones dentro de los datos de interacción. El marco está diseñado para mejorar la precisión de las recomendaciones al modelar eficazmente la estructura subyacente de las preferencias del usuario y las características del ítem. La implementación proporcionada se basa en el artículo de investigación publicado en SIGIR 2019.
El marco ofrece flexibilidad en su arquitectura, permitiendo diferentes tipos de capas convolucionales gráficas, incluyendo la capa propuesta 'ngcf', así como las opciones 'gcn' y 'gcmc'. Los usuarios también pueden especificar diferentes tipos de matrices de Laplacian para la adyacencia, como 'ngcf', 'plain', 'norm' y 'gcmc', cada una ofreciendo formas distintas de definir la conectividad de los nodos y los factores de decaimiento.
Además, NGCF incorpora técnicas de dropout para la regularización, específicamente dropout de nodos y dropout de mensajes, para prevenir el sobreajuste y mejorar la generalización. La implementación soporta dos conjuntos de datos procesados: Gowalla y Amazon-book, y proporciona comandos de ejemplo para ejecutar el modelo con varias configuraciones. Los requisitos del entorno incluyen Python 3.6.5 y versiones específicas de TensorFlow, NumPy, SciPy y Scikit-learn.
NGCF es particularmente beneficioso para sistemas de recomendación que buscan capturar relaciones matizadas entre usuarios e ítems y mejorar la calidad de las recomendaciones personalizadas. Su enfoque basado en grafos lo hace adecuado para plataformas con conjuntos de datos de interacción grandes y complejos donde la comprensión de las conexiones de orden superior es crucial para la participación y satisfacción efectiva del usuario.
- CategoríaModelos de IA y LLM
- Modelo de preciosCódigo abierto
- ImplementaciónAutoalojado
- PlataformasLinux, macOS, Windows
Características principales de Filtrado Colaborativo Neuronal Gráfico
Marco de recomendación basado en Redes Neuronales Gráficas
Codifica explícitamente señales colaborativas
Aprende conectividad de orden superior en grafos bipartitos de usuario-ítem
Propagación de incrustaciones para representaciones más ricas
Soporta múltiples tipos de capas convolucionales gráficas (ngcf, gcn, gcmc)
Ofrece varios tipos de matrices de adyacencia (ngcf, plain, norm, gcmc)
Incluye dropout de nodos para regularización
Incluye dropout de mensajes para regularización
Probado con conjuntos de datos Gowalla y Amazon-book
Implementado en Tensorflow
Primeros pasos con Filtrado Colaborativo Neuronal Gráfico
Configurar entorno: Instalar Python 3.6.5 y los paquetes requeridos (tensorflow, numpy, scipy, sklearn).
Preparar datos: Utilizar los conjuntos de datos procesados proporcionados (Gowalla, Amazon-book) o formatear los propios.
Configurar modelo: Seleccionar el tipo de capa convolucional gráfica, el tipo de matriz de adyacencia y las tasas de dropout.
Ejecutar entrenamiento: Ejecutar el script NGCF con el conjunto de datos y los hiperparámetros especificados.
Evaluar rendimiento: Analizar los resultados de la recomendación basándose en el modelo entrenado.
Integrar: Adaptar el modelo entrenado para su implementación en un sistema de recomendación.
Casos de uso de Filtrado Colaborativo Neuronal Gráfico
- Recomendaciones Personalizadas
- Descubrimiento de Productos en Comercio Electrónico
- Recomendación de Contenido
- Sugerencias en Redes Sociales
- Aprendizaje de Características Basado en Grafos
