Descrição
Neural Graph Collaborative Filtering (NGCF) é um framework avançado de recomendação que utiliza redes neurais de grafos para aprimorar a filtragem colaborativa. Ele codifica explicitamente o sinal colaborativo representando interações usuário-item como um grafo bipartido. O modelo então propaga embeddings através deste grafo, capturando padrões de conectividade de alta ordem que métodos tradicionais podem não identificar.
Ler mais
Esta abordagem permite que o NGCF aprenda representações mais ricas de usuários e itens, considerando as complexas relações dentro dos dados de interação. O framework é projetado para melhorar a precisão das recomendações, modelando efetivamente a estrutura subjacente das preferências do usuário e das características do item. A implementação fornecida é baseada no artigo de pesquisa publicado na SIGIR 2019.
O framework oferece flexibilidade em sua arquitetura, permitindo diferentes tipos de camadas convolucionais de grafos, incluindo a camada proposta 'ngcf', bem como as opções 'gcn' e 'gcmc'. Os usuários também podem especificar diferentes tipos de matrizes Laplacianas para adjacência, como 'ngcf', 'plain', 'norm' e 'gcmc', cada uma oferecendo maneiras distintas de definir a conectividade dos nós e os fatores de decaimento.
Além disso, o NGCF incorpora técnicas de dropout para regularização, especificamente dropout de nós e dropout de mensagens, para prevenir overfitting e melhorar a generalização. A implementação suporta dois conjuntos de dados processados: Gowalla e Amazon-book, e fornece comandos de exemplo para executar o modelo com várias configurações. Os requisitos de ambiente incluem Python 3.6.5 e versões específicas de TensorFlow, NumPy, SciPy e Scikit-learn.
O NGCF é particularmente benéfico para sistemas de recomendação que visam capturar nuances nas relações usuário-item e melhorar a qualidade das recomendações personalizadas. Sua abordagem baseada em grafos o torna adequado para plataformas com conjuntos de dados de interação grandes e complexos, onde a compreensão de conexões de ordem superior é crucial para o engajamento e satisfação efetivos do usuário.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoAuto-hospedado
- PlataformasLinux, macOS, Windows
Recursos principais de Neural Graph Collaborative Filtering
Framework de recomendação baseado em Redes Neurais de Grafos
Codifica explicitamente sinais colaborativos
Aprende conectividade de alta ordem em grafos bipartidos de usuários-itens
Propagação de embeddings para representações mais ricas
Suporta múltiplos tipos de camadas convolucionais de grafos (ngcf, gcn, gcmc)
Oferece vários tipos de matrizes de adjacência (ngcf, plain, norm, gcmc)
Inclui dropout de nós para regularização
Inclui dropout de mensagens para regularização
Testado com os datasets Gowalla e Amazon-book
Implementado em Tensorflow
Primeiros passos com Neural Graph Collaborative Filtering
Configurar ambiente: Instalar Python 3.6.5 e os pacotes necessários (tensorflow, numpy, scipy, sklearn).
Preparar dados: Utilizar os datasets processados fornecidos (Gowalla, Amazon-book) ou formatar os seus.
Configurar modelo: Selecionar o tipo de camada convolucional de grafo, o tipo de matriz de adjacência e as taxas de dropout.
Executar treinamento: Executar o script NGCF com o dataset e hiperparâmetros especificados.
Avaliar desempenho: Analisar os resultados da recomendação com base no modelo treinado.
Integrar: Adaptar o modelo treinado para implantação em um sistema de recomendação.
Casos de uso de Neural Graph Collaborative Filtering
- Recomendações Personalizadas
- Descoberta de Produtos em E-commerce
- Recomendação de Conteúdo
- Sugestões em Redes Sociais
- Aprendizado de Características Baseado em Grafos
