基于图的GCN在推荐系统中的应用

William提出的一种归纳嵌入表示训练方法。

上一篇文章提到的GCN是转换学习，即通过固定的图直接训练每个节点的嵌入。但是在很多图形场景中，图形节点是实时更新的，所以本文提出了归纳学习。不是在一个静态图上训练每个节点的嵌入，而是通过训练得到一个从邻居到嵌入的映射关系(聚合器)，这样新增节点的嵌入只需要通过邻居关系就可以得到。

成对用于无监督学习的训练损失。认为两个相连节点之间的嵌入应该是近的，而两个不相连节点之间的嵌入应该是远的。(余弦距离用内积表示)

训练数据集中有每个节点的特征信息，然后用特征信息训练用户的节点。没有特征信息怎么办？是用指数表示的吗？

本文的总体框架仍然是GraphSage:从邻居中提取一定量进行融合。但它不同于图，它不是随机抽样，而是重要汇集。本文的主要创新点如下:

这篇论文的整体框架其实非常经典:

这篇文章是对上述NGCF的改进。研究发现，NGCF中的特征变换(W1，W2)和非线性激活()不仅增加了训练的难度，而且降低了准确率。其主要原因是:GCN最初是针对属性图上的节点分类提出的，其中每个节点都有丰富的属性作为输入特征；而在CF的用户-项目交互图中，每个节点(用户或项目)仅由一个唯一的ID来描述，除了作为标识符之外，没有具体的语义。在这种情况下，给定ID嵌入作为输入，执行多层非线性特征变换——这是现代神经网络成功的关键——将不会带来任何好处，而是负面地增加了模型训练的难度。

优化光的前向传播层:

注意:正向传播中不加入自连接，因为层嵌入的加权和运算实际上包含了自连接。具体证明过程如下:

因此，在A中插入自连接并在其上传播嵌入本质上等价于在每个LGC层传播的嵌入的加权和。

本文旨在解决两个问题:

因此，MGNN-SPred联合考虑目标行为和辅助行为序列，并探索全局项目到项目的关系，以实现精确预测。

本文的算法框架:

合成算法:

项目表征学习:

对于每个节点，一个热表示；

序列表示学习:

我们发现，简单的平均池已经可以实现与注意机制相当的性能，同时保持较低的复杂性。

不言而喻，在不同的情况下，辅助行为序列对下一项预测的贡献是不同的。因此，设计了一种门控机制来计算相对重要性权重:

其中表示基础事实的一键表示。

本文旨在解决顺序推荐问题。主要贡献如下:

首先，用滑动窗口策略取出序列中的子序列，然后为每个子序列添加边，如下图所示。

使用外部存储单元来存储随时间变化的用户的长期兴趣。用户接触时间的顺序是:。

通过使用多维注意力模型来生成查询嵌入:

其中，正弦位置编码函数将项目位置映射成位置嵌入。

然后操作存储单元:

上标C表示长期和短期利益的融合。

表示短时间内接触的项目与所需项目之间的关系。