部门定制网站建设公司,跨境电商东莞网站建设,常用的网站都有哪些,网站内容设计遵循的原则有代码地址#xff1a;https://github.com/ xiangwang1223/disentangled_graph_collaborative_filtering Background#xff1a;
现有模型在很大程度上以统一的方式对用户-物品关系进行建模(将模型看做黑盒#xff0c;历史交互作为输入#xff0c;Embedding作为输出。)…代码地址https://github.com/ xiangwang1223/disentangled_graph_collaborative_filtering Background
现有模型在很大程度上以统一的方式对用户-物品关系进行建模(将模型看做黑盒历史交互作为输入Embedding作为输出。)这会忽略用户意图的多样性用户看一个视频可能是因为消磨时间、喜欢里面的演员等多种意图导致representation次优。本文提出将embedding划分成多个部分每一部分单独表示一种意图各部分之间相互独立实现意图的解耦。
例假设Embedding长度为N意图数量为K划分后每一部分长度为即
u ……, 。物品i的也进行同样的划分
i PRELIMINARY
1、本文构建了多个意图感知图, 其中 , u,i
表示u-i之间产生过交互 表示用户u和物品i发生交互是因为意图k的分数不难看出意图感知图是一个带权图
2、itent-aware图不是用户-物品交互二部图的子图二者图形结构是一样的但用户的表示是物品的表示为
3、用户和物品的交互存在多个意图 构成意图分布 表示用户u和物品i发生交互是因为意图k的自信强度整体表示用户u和物品i发生交互因为各意图的自信度大小。 4、本文用邻接矩阵存储和表示意图感知图带权图。元素 表示用户u因为意图k和物品i发生交互的自信程度为x。 METHODOLOGY本文重点是两个迭代更新方法 初始化
将用户u和 i 的embedding向量初始化为随机数。中u-i发生过交互的位置初始化为1开始时假定用户意图分布相同并将初始化后的矩阵记为如上图下部分所示。
更新机制
本文采用迭代更新机制不管是特征更新还是意图感知图的更新都重复T次目的是使结果更贴近实际。下文中 意图感知图和意图感知表示交替更新T次(虽然二者都进行了迭代更新但主要目的还是为了得到更好的意图感知表示或者可以说意图感知图的更新目的是为了得到更真实的用户意图自信程度在消息传递时传递更有效的信息。)。
意图感知特征更新 执行T次GNN首先进行一阶邻居消息聚合迭代T次得到再对2……L跳邻居进行消息聚合方法不变得到 可理解为注意力u和i发生交互是因为意图k的自信度越大则从物品在k上的特征提取的越多。
前文说过用户和物品交互可能因为多个意图用户与物品交互的意图分布为这里对各意图做normalization。
意图感知图更新 用意图感知特征去更新意图感知图。 层聚合 将得到的0……L层消息聚合后的特征表示做SUM作为用户最终的特征表示。
独立性建模
本文将用户特征表示划分成多个意图各意图之间独立实现意图的解纠缠。为了使各意图互相独立本文引入距离相关性损失
