在做推薦算法任務時，在（user, item）的交互數據集中進行建模是常見的方式，本文基于GNN對User側和Item側進行embedding的思路，介紹3篇相關論文。這三篇文章分別來自SIGIR 2019，2020，2021。

本文主要解決傳統(tǒng)協同過濾算法，因為缺少對user-item交互數據中的協同信息（Collaborative Signal）較好的編碼方式，從而無法很好的學到Embedding的問題。傳統(tǒng)協同過濾方法是通過對ID類特征或者Category類特征進行簡單的編碼得到Embedding，然后通過User-Item交互數據對損失函數的定義后解碼。簡單的編碼形式導致了模型學習到的Embedding信息有限。

具體地，如上圖所示右圖是（User，item）之間的交互路徑。從圖中u2->i2->u1路徑我們可以發(fā)現u1和u2具有一定路徑上（行為）的相似性。同時，對于i4->u3->i3->u1和i4->u2->i2->u1這兩路徑可以看出用戶u1對i4的購買可能性大于對i5的購買可能性。

NGCF基于User-Item交互行為中的High-order connectivity來解決交互數據中的協同信息（Collaborative Signal）編碼問題進行Embedding建模。

模型的Embedding Propagation Layer主要包含Message Construction和Message Aggregation兩部分。

在Message Construction部分，對每個（user，item）定義從item到user傳遞的message為：

其中控制在邊上傳播的衰減。在這項工作中，被定義為：

和傳統(tǒng)的GCN不同的是，該論文里還加入了，可以傳遞和之間的相關性。

而Message Aggregation階段將從用戶 u 的鄰居傳遞過來的信息進行匯聚來提煉用戶u

的嵌入表示。

這里，

，即只編碼本身的信息。上面式子將于該用戶所有相關的item分別和自身做message construction之后求和，在加上自身的特征，最后做一層非線性變換，這樣就可以學習到First-Order的user/item的representation了。

在預測層，最終的嵌入表示是原始的embedding和所有嵌入傳播層得到的embedding全部concat在一起的結果，同時最后預測user-item交互的時候使用點乘，并用PairwiseBPR loss進行優(yōu)化。

相較于上面的NGCF，LightGCN的思想就更簡單了，論文提出一個簡化GCN的模型LightGCN，它認為GCN中常見的特征轉換和非線性激活對于協同過濾來說沒有太大作用，甚至降低了推薦效果，所以LightGCN就只由鄰域聚合構成。通過在User-Item交互數據上線性傳播User-Item的Embedding來學習它們，最后將所有層上學習到的User和Item Embedding加權和計算最后的預測得分。

LightGCN對比NGCF省去了相鄰節(jié)點間的內積部分，直接用如下的Normalized求和方法來進行1-hop Aggregation。這里

和分別代表以和為中心臨近節(jié)點的數量。從而大幅度簡化了網絡結構，加快了運行速度，同時在此基礎保證了預測的精準度。

Self-supervised Graph Learning for Recommendation主要解決User-Item Embedding過程中的兩個問題：

長尾的Item在模型學習中的不充分問題；

User-Item交互數據中的噪聲對模型學習的魯棒性問題；

SGL方法主要通過數據增強的方式，對User-Item圖表示使用類似LightGCN的圖卷積網絡提取同一節(jié)點的多圖表示，并在此基礎上參考對比學習構造自監(jiān)督學習任務的思路構造多任務訓練模型。

對比3種不同的數據增強方法，論文中發(fā)現Edge dropout方式能更好地發(fā)現圖結構中潛在的含義。

模型解決的兩個問題：

（1）長尾問題的推薦效果：

（2）噪聲導致的魯棒性問題的推薦效果：

Neural Graph Collaborative Filtering

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

Self-supervised Graph Learning for Recommendation

推薦系統(tǒng)User-Item Embedding圖算法

總結

以上是生活随笔為你收集整理的推荐系统User-Item Embedding图算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。