NCGF

Wang, Xiang, et al. "Neural graph collaborative filtering." Proceedings of the 42nd international ACM SIGIR conference on Research and development in Information Retrieval. 2019.

概述

问题

• 传统的基于矩阵分解型的推荐以及深度学习模型没有考虑协同信号
  • 协同信号：用户-商品交互的潜在的信息

解决方案

• 设计NGCF模型获取用户-商品交互的潜在协同信号
• 建模二部图中的高阶用户-商品关联信息

方案

Embedding Propagation Layers

First-order Propagation

Message Construction

对于一对用户-商品交互对，定义商品传递给用户的信息为：

其中，表示消息Embedding（将要传递的信息向量），表示消息编码函数，编码函数以用户向量、商品向量为输入、利用相关系数控制每次消息传递的衰减系数。

在论文中，将定义为：

其中，是需要训练的参数矩阵，目的是为了提取处传递过程中有用的信息。表示点乘操作，用来刻画用户对商品的喜爱程度。

其中，表示用户与商品的一阶交互邻居，代表历史交互商品贡献给用户的信息量，具体而言，用来刻画较长交互路径的衰减，换句话而言，就是高阶交互的商品对用户的贡献较少。

Message Aggregation

定义消息聚合函数为：

High-order Propagation

其中，

其中，是需要训练的参数矩阵。

Propagation Rule in Matrix Form

论文中，作者还以矩阵的形式给出了用户-商品的相似度是如何计算的。（详情请看论文）

Model Prediction

其中，是concat操作。

损失函数

其中，表示训练数据，表示点击过的样本对，表示未点击过的样本对，表示sigmoid激活函数，表示需要训练参数。