四川微信网站建设推广,成都手机网站建设报价,结构化数据 wordpress,工作室怎么赚钱如果觉得我的分享有一定帮助#xff0c;欢迎关注我的微信公众号 “码农的科研笔记”#xff0c;了解更多我的算法和代码学习总结记录。或者点击链接扫码关注【RecBole-GNN/源码】RecBole-GNN中lightGCN源码解析
【RecBole-GNN/源码】RecBole-GNN中lightGCN源码解析 原文欢迎关注我的微信公众号 “码农的科研笔记”了解更多我的算法和代码学习总结记录。或者点击链接扫码关注【RecBole-GNN/源码】RecBole-GNN中lightGCN源码解析
【RecBole-GNN/源码】RecBole-GNN中lightGCN源码解析 原文https://arxiv.org/pdf/2002.02126.pdf 源码伯乐工具箱 输入数据源图节点仅仅使用了用户或者物品的ID进行模型搭建
ml-1m.interml-1m.itemml-1m.user
GCN聚合消息需要定义节点特征以及边
1 节点
节点特征是需要经过训练得到合适的embedding得到所有节点特征all_embeddings9748(60413707)*64
#定义user嵌入6041*64
self.user_embedding torch.nn.Embedding(num_embeddingsself.n_users, embedding_dimself.latent_dim)
#定义item嵌入3707*64
self.item_embedding torch.nn.Embedding(num_embeddingsself.n_items, embedding_dimself.latent_dim)
user_embeddings self.user_embedding.weight
item_embeddings self.item_embedding.weight
#进行组合得到9748(60413707)*64
all_embeddings torch.cat([user_embeddings, item_embeddings], dim0)2 边
得到所有边edge_index(1610886-1) 以及权重 edge_weight(1610886-1)
#根据.iter交互文件获取user_id那一列作为row(805443*1)
row self.inter_feat[self.uid_field]
#根据.iter交互文件获取item_id那一列作为col(计数id需要加self.user_num)(805443*1)
col self.inter_feat[self.iid_field] self.user_num
edge_index1 torch.stack([row, col])
edge_index2 torch.stack([col, row])
#得到所有边矩阵2*1610886(805443805443)
# row col //因为边是双向的
# col row
edge_index torch.cat([edge_index1, edge_index2], dim1)
# 获得每个节点的度节点的连边
deg degree(edge_index[0], self.user_num self.item_num)
#对于每个节点如果其度数为 $0$则将其规范化因子设为 $1$否则将其规范化因子设为 $1/\sqrt{\text{degree}}$。最终得到的 #norm_deg 张量表示了每个节点的规范化因子。
norm_deg 1. / torch.sqrt(torch.where(deg 0, torch.ones([1]), deg))
#为每条边计算一个权重该权重等于该边两个节点的规范化因子之积。(1610886*1)
edge_weight norm_deg[edge_index[0]] * norm_deg[edge_index[1]]3 GCN聚合
for layer_idx in range(self.n_layers):all_embeddings self.gcn_conv(all_embeddings, self.edge_index, self.edge_weight)embeddings_list.append(all_embeddings)
#多轮嵌入求均值
lightgcn_all_embeddings torch.stack(embeddings_list, dim1)
lightgcn_all_embeddings torch.mean(lightgcn_all_embeddings, dim1)
#获得user和item节点的最终嵌入表示
user_all_embeddings, item_all_embeddings torch.split(lightgcn_all_embeddings, [self.n_users, self.n_items])self.propagate(edge_index, xx, edge_weightedge_weight) 是 PyTorch Geometric简称 PyG库中定义的一个函数。该函数的作用是对输入的节点特征矩阵 x 进行消息传递更新节点特征矩阵并返回更新后的节点特征矩阵。
其中edge_index 是一个形状为 2×E2 \times E2×E 的张量表示图中所有边的起始节点和结束节点的编号EEE 表示边的数量x 是一个形状为 N×FN \times FN×F 的节点特征矩阵表示图中所有 NNN 个节点的特征FFF 表示每个节点的特征向量的维度edge_weight 是一个形状为 EEE 的张量表示图中每条边的权重。
在该函数中消息传递的方式是通过定义一个 message 函数和一个 update 函数来实现的。message 函数的作用是将源节点的特征和边权重作为输入计算出每条边传递的消息update 函数的作用是将每个节点收到的消息进行聚合并更新节点的特征。
具体来说该函数中的 propagate 函数会对输入的 x 和 edge_weight 执行消息传递按照以下步骤进行
根据输入的 edge_index 和 edge_weight 构造一个稀疏权重矩阵 edge_index形状为 N×NN \times NN×N其中 NNN 表示节点数量矩阵中的每个元素表示一条边的权重。调用 message 函数将源节点的特征和边权重作为输入计算出每条边传递的消息。将每个节点收到的消息进行聚合并更新节点的特征。具体来说对于每个节点 iii将其所有邻居节点 jjj 的消息按照一定的方式聚合起来得到一个新的特征向量用于更新节点 iii 的特征。返回更新后的节点特征矩阵。
在实际应用中propagate 函数通常会被多次调用用于实现多轮消息传递并最终得到图中所有节点的特征表示。
4 推荐任务
#获得正例和负例的各自embedding
u_embeddings user_all_embeddings[user]
pos_embeddings item_all_embeddings[pos_item]
neg_embeddings item_all_embeddings[neg_item]# calculate BPR Loss
pos_scores torch.mul(u_embeddings, pos_embeddings).sum(dim1)
neg_scores torch.mul(u_embeddings, neg_embeddings).sum(dim1)
mf_loss self.mf_loss(pos_scores, neg_scores)# calculate regularization Loss
u_ego_embeddings self.user_embedding(user)
pos_ego_embeddings self.item_embedding(pos_item)
neg_ego_embeddings self.item_embedding(neg_item)reg_loss self.reg_loss(u_ego_embeddings, pos_ego_embeddings, neg_ego_embeddings, require_powself.require_pow)
loss mf_loss self.reg_weight * reg_loss5 实验
和NGCF进行实验对比和最优模型进行对比NGCF、Mult-VAE、GRMF消融实验证明了非线性激活和特征转换这些GCN的结构在推荐系统中并不适用这很可能是因为推荐系统中每个图节点仅仅使用了用户或者物品的ID进行模型搭建和训练。
