Description
Le Filtrage Collaboratif Neuronal sur Graphe (NGCF) est un framework de recommandation avancé qui utilise des réseaux neuronaux sur graphes pour améliorer le filtrage collaboratif. Il encode explicitement le signal collaboratif en représentant les interactions utilisateur-article comme un graphe biparti. Le modèle propage ensuite les embeddings à travers ce graphe, capturant des modèles de connectivité d'ordre supérieur que les méthodes traditionnelles pourraient manquer.
Lire la suite
Cette approche permet au NGCF d'apprendre des représentations plus riches des utilisateurs et des articles en considérant les relations complexes au sein des données d'interaction. Le framework est conçu pour améliorer la précision des recommandations en modélisant efficacement la structure sous-jacente des préférences utilisateur et des caractéristiques des articles. L'implémentation fournie est basée sur l'article de recherche publié à SIGIR 2019.
Le framework offre une flexibilité dans son architecture, permettant différents types de couches convolutionnelles sur graphes, y compris la couche proposée 'ngcf', ainsi que les options 'gcn' et 'gcmc'. Les utilisateurs peuvent également spécifier différents types de matrices Laplaciennes pour l'adjacence, tels que 'ngcf', 'plain', 'norm' et 'gcmc', chacun offrant des moyens distincts de définir la connectivité des nœuds et les facteurs de décroissance.
De plus, le NGCF intègre des techniques de dropout pour la régularisation, spécifiquement le dropout de nœuds et le dropout de messages, afin d'éviter le surapprentissage et d'améliorer la généralisation. L'implémentation prend en charge deux jeux de données traités : Gowalla et Amazon-book, et fournit des exemples de commandes pour exécuter le modèle avec diverses configurations. Les exigences de l'environnement incluent Python 3.6.5 et des versions spécifiques de TensorFlow, NumPy, SciPy et Scikit-learn.
Le NGCF est particulièrement bénéfique pour les systèmes de recommandation visant à capturer les relations nuancées entre utilisateurs et articles et à améliorer la qualité des recommandations personnalisées. Son approche basée sur les graphes le rend adapté aux plateformes avec de grands ensembles de données d'interaction complexes où la compréhension des connexions d'ordre supérieur est cruciale pour un engagement et une satisfaction utilisateur efficaces.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementAuto-hébergé
- PlateformesLinux, macOS, Windows
Fonctionnalités principales de Filtrage Collaboratif Neuronal sur Graphe
Framework de recommandation basé sur les réseaux neuronaux sur graphes
Encode explicitement les signaux collaboratifs
Apprend la connectivité d'ordre supérieur dans les graphes bipartis utilisateurs-articles
Propagation d'embeddings pour des représentations plus riches
Prend en charge plusieurs types de couches convolutionnelles sur graphes (ngcf, gcn, gcmc)
Offre divers types de matrices d'adjacence (ngcf, plain, norm, gcmc)
Inclut le dropout de nœuds pour la régularisation
Inclut le dropout de messages pour la régularisation
Testé avec les jeux de données Gowalla et Amazon-book
Implémenté en Tensorflow
Premiers pas avec Filtrage Collaboratif Neuronal sur Graphe
Configurer l'environnement : Installer Python 3.6.5 et les paquets requis (tensorflow, numpy, scipy, sklearn).
Préparer les données : Utiliser les jeux de données traités fournis (Gowalla, Amazon-book) ou formater les vôtres.
Configurer le modèle : Sélectionner le type de couche convolutionnelle sur graphe, le type de matrice d'adjacence et les taux de dropout.
Exécuter l'entraînement : Lancer le script NGCF avec le jeu de données et les hyperparamètres spécifiés.
Évaluer les performances : Analyser les résultats de recommandation basés sur le modèle entraîné.
Intégrer : Adapter le modèle entraîné pour le déploiement dans un système de recommandation.
Cas d'utilisation de Filtrage Collaboratif Neuronal sur Graphe
- Recommandations Personnalisées
- Découverte de Produits E-commerce
- Recommandation de Contenu
- Suggestions sur les Réseaux Sociaux
- Apprentissage de Caractéristiques Basé sur les Graphes
