概
本文作者考虑了两个问题:
- User-Item 的预测;
- User, Item 的缺失属性预测.
作者交替解决两个问题, 互相辅佐.
符号说明
- \(U, |U| = M\), users;
- \(V, |V| = V\), items;
- \(R \in \mathbb{R}^{M \times N}\), 交互矩阵;
- \(X \in \mathbb{R}^{d_x \times M}\), user features;
- \(Y \in \mathbb{R}^{d_y \times N}\), item features;
- \(A^X \in \{0, 1\}^{d_x \times M}\), user indication matrix;
- \(A^Y \in \{0, 1\}^{d_y \times M}\), item indication matrix;
本文思路
-
首先, 作者认为结点的特征能够帮助 embeddings 的学习, 而学习到好的 embeddings 又可以反过来帮助预测缺失的属性. 所以作者希望结合二者.
-
首先对于 user 或 item, 它有一些属性 \(\bm{x}\) 和一个初始的 embeddings \(\bm{p}\), 首先通过如下方式将二者进行一个结合:
\[\bm{u}^{0} = [\bm{p}, \bm{x} W_u], \]类似地, 关于 item
\[\bm{v}^0 = [\bm{q}, \bm{y} W_v]. \] -
然后经过 K layer 的 GCN 的特征提取, 得到最后的特征:
\[\bm{u}^{K}, \bm{v}^K. \] -
首先, 可以通过
\[s(\bm{u}^K, \bm{v}^K) \]进行 rating 的预测.
-
其次, 根据 \(\bm{u}^K\), 可以通过
\[\bm{\hat{x}} = \text{softmax}(\bm{u}^K W_x), \]类似地
\[\bm{\hat{y}} = \text{softmax}(\bm{v}^K W_x). \] -
接着, 更新之前的缺失属性
\[X^{l+1} = X^l \odot A^X + \hat{X} \odot (E – A^{X}), \\ Y^{l+1} = Y^l \odot A^Y + \hat{Y} \odot (E – A^{Y}). \\ \]这里 \(E\) 的元素均为 \(1\), \(\odot\) 表示逐元素的一个乘法.
原文地址:http://www.cnblogs.com/MTandHJ/p/16847583.html
1. 本站所有资源来源于用户上传和网络,如有侵权请邮件联系站长!
2. 分享目的仅供大家学习和交流,请务用于商业用途!
3. 如果你也有好源码或者教程,可以到用户中心发布,分享有积分奖励和额外收入!
4. 本站提供的源码、模板、插件等等其他资源,都不包含技术服务请大家谅解!
5. 如有链接无法下载、失效或广告,请联系管理员处理!
6. 本站资源售价只是赞助,收取费用仅维持本站的日常运营所需!
7. 如遇到加密压缩包,默认解压密码为"gltf",如遇到无法解压的请联系管理员!
8. 因为资源和程序源码均为可复制品,所以不支持任何理由的退款兑现,请斟酌后支付下载
声明:如果标题没有注明"已测试"或者"测试可用"等字样的资源源码均未经过站长测试.特别注意没有标注的源码不保证任何可用性