Deskripsi
Neural Graph Collaborative Filtering (NGCF) adalah kerangka kerja rekomendasi canggih yang menggunakan graph neural network untuk meningkatkan collaborative filtering. Kerangka ini secara eksplisit mengkodekan sinyal kolaboratif dengan merepresentasikan interaksi pengguna-item sebagai graf bipartit. Model kemudian melakukan propagasi embedding melalui graf ini, menangkap pola konektivitas tingkat tinggi yang mungkin terlewatkan oleh metode tradisional.
Baca Selengkapnya
Pendekatan ini memungkinkan NGCF untuk mempelajari representasi pengguna dan item yang lebih kaya dengan mempertimbangkan hubungan kompleks dalam data interaksi. Kerangka kerja ini dirancang untuk meningkatkan akurasi rekomendasi dengan secara efektif memodelkan struktur dasar preferensi pengguna dan karakteristik item. Implementasi yang disediakan didasarkan pada makalah penelitian yang diterbitkan di SIGIR 2019.
Kerangka kerja ini menawarkan fleksibilitas dalam arsitekturnya, memungkinkan berbagai jenis graph convolutional layer, termasuk layer 'ngcf' yang diusulkan, serta opsi 'gcn' dan 'gcmc'. Pengguna juga dapat menentukan berbagai jenis matriks Laplacian untuk kebertetanggaan, seperti 'ngcf', 'plain', 'norm', dan 'gcmc', yang masing-masing menawarkan cara berbeda untuk mendefinisikan konektivitas node dan faktor peluruhan.
Selanjutnya, NGCF menggabungkan teknik dropout untuk regularisasi, khususnya node dropout dan message dropout, untuk mencegah overfitting dan meningkatkan generalisasi. Implementasi ini mendukung dua dataset yang telah diproses: Gowalla dan Amazon-book, serta menyediakan contoh perintah untuk menjalankan model dengan berbagai konfigurasi. Persyaratan lingkungan meliputi Python 3.6.5 dan versi spesifik dari TensorFlow, NumPy, SciPy, dan Scikit-learn.
NGCF sangat bermanfaat untuk sistem rekomendasi yang bertujuan menangkap hubungan pengguna-item yang bernuansa dan meningkatkan kualitas rekomendasi yang dipersonalisasi. Pendekatan berbasis grafnya membuatnya cocok untuk platform dengan dataset interaksi yang besar dan kompleks di mana pemahaman koneksi tingkat tinggi sangat penting untuk keterlibatan dan kepuasan pengguna yang efektif.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanDi-host sendiri
- PlatformLinux, macOS, Windows
Fitur Inti Neural Graph Collaborative Filtering
Kerangka kerja rekomendasi berbasis Graph Neural Network
Secara eksplisit mengkodekan sinyal kolaboratif
Mempelajari konektivitas tingkat tinggi dalam graf bipartit pengguna-item
Propagasi embedding untuk representasi yang lebih kaya
Mendukung berbagai jenis graph convolutional layer (ngcf, gcn, gcmc)
Menawarkan berbagai jenis matriks kebertetanggaan (ngcf, plain, norm, gcmc)
Mencakup node dropout untuk regularisasi
Mencakup message dropout untuk regularisasi
Diuji dengan dataset Gowalla dan Amazon-book
Diimplementasikan dalam Tensorflow
Memulai dengan Neural Graph Collaborative Filtering
Siapkan lingkungan: Instal Python 3.6.5 dan paket yang diperlukan (tensorflow, numpy, scipy, sklearn).
Siapkan data: Gunakan dataset yang telah diproses (Gowalla, Amazon-book) atau format data Anda sendiri.
Konfigurasi model: Pilih jenis graph convolutional layer, jenis matriks kebertetanggaan, dan rasio dropout.
Jalankan pelatihan: Eksekusi skrip NGCF dengan dataset dan hyperparameter yang ditentukan.
Evaluasi kinerja: Analisis hasil rekomendasi berdasarkan model yang dilatih.
Integrasikan: Adaptasi model yang dilatih untuk penerapan dalam sistem rekomendasi.
Kasus Penggunaan Neural Graph Collaborative Filtering
- Rekomendasi yang Dipersonalisasi
- Penemuan Produk E-commerce
- Rekomendasi Konten
- Saran Jaringan Sosial
- Pembelajaran Fitur Berbasis Graf
