GCN在推荐系统中的应用
《Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach 》论文阅读笔记
图卷积网络GCN（迭代叠加多层卷积聚合操作和非线性激活操作）是最新的基于图的特征学习模型，已经广泛应用到了很多领域，社交网络分析，交通网络，推荐系统等。 CF从用户的历史交互数据中学习用户和项目的嵌入向量，提供项目推荐，若将用户的历史交互行为看成是一个二分图，CF就是在图中进行边的预测。 问题： （1） 建模更高阶的图结构，GCN是否有效； （2） 在深层中存在过度平滑效应，因为每个节点的高层邻居往往无法区分。（随着叠加层数的增加，平滑效应可以缓解CF的数据稀疏性，但由于层数过多，会忽略用户的唯一性，降低推荐性能） 本文：从两个角度： （1）删除非线性会增强推荐的性能； （2）提出一个残差网络结构，建模用户-项目交互，在每一层学习，可以避免迭代过程中的平滑问题（在稀疏的用户-项目交互数据中进行GCN）。用户特性保留在较低的层，而更高层的GCN则可以集中在学习用户的剩余偏好（无法从每个用户的有限历史记录中捕获的）。
上一篇：
通过多线程提高代码的执行效率例子
下一篇：
Vue.js学习笔记——16.单文件组件