Описание
Нейронная графовая коллаборативная фильтрация (NGCF) — это передовая рекомендательная структура, которая использует графовые нейронные сети для улучшения коллаборативной фильтрации. Она явно кодирует коллаборативный сигнал, представляя взаимодействия пользователей и элементов в виде двудольного графа. Затем модель распространяет эмбеддинги через этот граф, улавливая высокоуровневые паттерны связности, которые могут быть упущены традиционными методами.
Читать далее
Этот подход позволяет NGCF изучать более богатые представления пользователей и элементов, учитывая сложные взаимосвязи в данных взаимодействий. Структура разработана для повышения точности рекомендаций путем эффективного моделирования лежащей в основе структуры пользовательских предпочтений и характеристик элементов. Предоставленная реализация основана на исследовательской статье, опубликованной в SIGIR 2019.
Структура предлагает гибкость в своей архитектуре, позволяя использовать различные типы графовых сверточных слоев, включая предложенный слой 'ngcf', а также опции 'gcn' и 'gcmc'. Пользователи также могут указывать различные типы матриц Лапласа для смежности, такие как 'ngcf', 'plain', 'norm' и 'gcmc', каждый из которых предлагает различные способы определения связности узлов и коэффициентов затухания.
Кроме того, NGCF включает методы отсева (dropout) для регуляризации, в частности отсев узлов и отсев сообщений, для предотвращения переобучения и улучшения обобщения. Реализация поддерживает два обработанных набора данных: Gowalla и Amazon-book, и предоставляет примеры команд для запуска модели с различными конфигурациями. Требования к среде включают Python 3.6.5 и определенные версии TensorFlow, NumPy, SciPy и Scikit-learn.
NGCF особенно полезна для рекомендательных систем, стремящихся уловить тонкие взаимосвязи между пользователями и элементами и повысить качество персонализированных рекомендаций. Ее графовый подход делает ее подходящей для платформ с большими и сложными наборами данных взаимодействий, где понимание высокоуровневых связей имеет решающее значение для эффективного вовлечения пользователей и их удовлетворенности.
- КатегорияИИ-модели и LLM
- Модель ценообразованияОткрытый код
- РазвёртываниеНа своём сервере
- ПлатформыLinux, macOS, Windows
Основные функции Нейронная графовая коллаборативная фильтрация
Рекомендательная структура на основе графовых нейронных сетей
Явно кодирует коллаборативные сигналы
Изучает высокоуровневую связность в двудольных графах пользователей и элементов
Распространение эмбеддингов для более богатых представлений
Поддерживает несколько типов графовых сверточных слоев (ngcf, gcn, gcmc)
Предлагает различные типы матриц смежности (ngcf, plain, norm, gcmc)
Включает отсев узлов для регуляризации
Включает отсев сообщений для регуляризации
Протестировано на наборах данных Gowalla и Amazon-book
Реализовано на Tensorflow
Начало работы с Нейронная графовая коллаборативная фильтрация
Настройка среды: Установите Python 3.6.5 и необходимые пакеты (tensorflow, numpy, scipy, sklearn).
Подготовка данных: Используйте предоставленные обработанные наборы данных (Gowalla, Amazon-book) или отформатируйте свои собственные.
Конфигурация модели: Выберите тип графового сверточного слоя, тип матрицы смежности и коэффициенты отсева.
Запуск обучения: Выполните скрипт NGCF с указанным набором данных и гиперпараметрами.
Оценка производительности: Проанализируйте результаты рекомендаций на основе обученной модели.
Интеграция: Адаптируйте обученную модель для развертывания в рекомендательной системе.
Варианты использования Нейронная графовая коллаборативная фильтрация
- Персонализированные рекомендации
- Поиск товаров в электронной коммерции
- Рекомендация контента
- Предложения в социальных сетях
- Извлечение признаков на основе графов
