描述
Neural Graph Collaborative Filtering (NGCF) 是一个先进的推荐框架，它利用图神经网络来增强协同过滤。它通过将用户-物品交互表示为二部图来显式地编码协同信号。然后，模型通过该图传播嵌入，捕获传统方法可能遗漏的高阶连通性模式。
阅读更多
这种方法允许 NGCF 通过考虑交互数据中的复杂关系来学习用户和物品更丰富的表示。该框架旨在通过有效建模用户偏好和物品特征的底层结构来提高推荐准确性。提供的实现基于 2019 年 SIGIR 会议上发表的研究论文。
该框架在其架构上提供了灵活性，允许使用不同类型的图卷积层，包括提出的“ngcf”层，以及“gcn”和“gcmc”选项。用户还可以为邻接矩阵指定不同类型的拉普拉斯矩阵，例如“ngcf”、“plain”、“norm”和“gcmc”，每种都提供定义节点连通性和衰减因子的独特方式。
此外，NGCF 还包含用于正则化的 dropout 技术，特别是节点 dropout 和消息 dropout，以防止过拟合并提高泛化能力。该实现支持两个处理过的数据集：Gowalla 和 Amazon-book，并提供了使用各种配置运行模型的示例命令。环境要求包括 Python 3.6.5 以及特定版本的 TensorFlow、NumPy、SciPy 和 Scikit-learn。
NGCF 对于旨在捕获细微的用户-物品关系并提高个性化推荐质量的推荐系统特别有益。其基于图的方法使其适用于具有大型复杂交互数据集的平台，在这些平台上，理解高阶连接对于有效的用户参与和满意度至关重要。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署自托管
- 平台Linux, macOS, Windows
Neural Graph Collaborative Filtering的核心功能
基于图神经网络的推荐框架
显式编码协同信号
学习用户-物品二部图中的高阶连通性
通过嵌入传播获得更丰富的表示
支持多种图卷积层类型（ngcf、gcn、gcmc）
提供多种邻接矩阵类型（ngcf、plain、norm、gcmc）
包含用于正则化的节点 dropout
包含用于正则化的消息 dropout
使用 Gowalla 和 Amazon-book 数据集进行测试
使用 Tensorflow 实现
Neural Graph Collaborative Filtering入门
设置环境：安装 Python 3.6.5 和所需软件包（tensorflow、numpy、scipy、sklearn）。
准备数据：使用提供的处理过的数据集（Gowalla、Amazon-book）或格式化您自己的数据集。
配置模型：选择图卷积层类型、邻接矩阵类型和 dropout 比率。
运行训练：使用指定的数据集和超参数执行 NGCF 脚本。
评估性能：根据训练好的模型分析推荐结果。
集成：将训练好的模型改编用于推荐系统的部署。
Neural Graph Collaborative Filtering的使用案例
- 个性化推荐
- 电子商务产品发现
- 内容推荐
- 社交网络建议
- 基于图的特征学习
