近年来，推荐系统在各种商业领域得到了广泛的应用。为用户提供建议的平台。协同过滤算法是推荐系统中使用的主要算法之一。这种算法简单、高效;然而，数据的稀疏性和方法的可扩展性限制了这些算法的性能，并且很难进一步提高推荐结果的质量。因此，提出了一种将协同过滤推荐算法与深度学习技术相结合的模型，其中包括两部分。首
转载
2023-10-27 14:31:28
100阅读
本文实现的是对张军等编写的《计算智能》第二章中的2.4.3引用举例的code实现。图一 图二 import java.util.Scanner;
public class Bp {
private int InputLayer = 3; //输入层
private int HiddenLayer = 2; //隐含层
private int
转载
2023-11-06 13:58:13
107阅读
一，绪论本篇是深度学习推荐系统第一篇，介绍Autorec和DeepCrossing 两个模型。前者是将深度学习的思想应用于推荐系统的初步尝试，后者是将深度学习框架在推荐系统中的完整应用。 Autorec2015年由澳大利亚国立大学提出，是一个单隐层的神经网络推荐模型，网络结构简单。由于结构比较简单，表达能力不足，因此没有真正的应用。 DeepCrossing 是2016年，微软基于ResNet的经
转载
2024-01-11 08:22:20
63阅读
首先介绍一个学习DL4NLP的一个网站WildML，英文的，有空我也整理一下中文版。这篇讲的是神经网络的基础，没有RNN、CNN等结构。废话少说，直接上要推导的一个简单的神经网络结构图。例子：三层神经网络这个神经网络包含一个输入层、一个隐含层和一个输出层。 注意输出的神经元有两个（多个），这个经常用在一个二（多）分类任务上，代表着每一类的概率，相应的激活函数变成了softmax函数（相当于多分类
转载
2024-05-27 12:53:49
40阅读
BGCF背景简介针对推荐系统中由于观察数据噪声或不足导致用户与物品的交互不确定性问题，华为诺亚方舟实验室和分布式与并行软件实验室MindSpore团队联合提出了一种基于贝叶斯的图神经网络协同过滤(Bayesian Graph Collaborative Filtering, BGCF)原创模型[1]。在工业界应用市场游戏推荐场景，新用户Logloss（对数损失函数）提升了2.48%，老用户提升了1
转载
2024-01-03 11:10:34
37阅读
一、总述作者提出推荐系统为如图所示的漏斗形状。过程如下：从百万级语料开始，通过“Candidate Generation”生成数百条候选集，再通过“Ranking”对候选集进行TopK排序。作者的主要工作在于为“生成候选集”、“对候选集进行排序”构建了两个深度神经网络。二、生成候选集（Candidate Generation）2.1 Input层对于这一模型，输入由许多Feature连接而成，主要
转载
2024-01-06 09:10:57
38阅读
随着网络信息的爆炸式增长，推荐系统在缓解信息过载方面发挥了重要作用。由于推荐系统具有重要的应用价值，这一领域的研究一直在不断涌现。近年来，图神经网络(GNN)技术得到了广泛的关注，它能将节点信息和拓扑结构自然地结合起来。由于GNN在图形数据学习方面的优越性能，GNN方法在许多领域得到了广泛的应用。在推荐系统中，主要的挑战是从用户/项目的交互和可用的边信息中学习有效的嵌入用户/项目。由于大多数信息本
转载
2023-12-10 10:41:43
135阅读
论文原文：《Graph Neural Networks in Recommender Systems:A Survey》ACM Computing Surveys ,Accepted on March 2022论文原文地址：https://dl.acm.org/doi/abs/10.1145/3535101论文pdf：https://dl.acm.org/doi/pdf/1
转载
2023-09-11 16:18:15
209阅读
1 介绍1.1 推荐系统发展的三个阶段回顾一下推荐系统的历史，一般可以分为三个阶段，浅层模型[74,125,126]，神经模型[26,48,56]和基于gnn的模型[55,153,188]。最早的推荐模型通过直接计算交互的相似度提出了基于模型的CF方法，如矩阵分解(MF)[74]或分解机[125]，将推荐作为一个表示学习问题来处理。然而，这些方法面临着复杂的用户行为或数据输入等关键挑战。为了解决这
转载
2024-01-08 19:06:20
58阅读
目标检测经典算法总结1. R-CNN：从原图像中提取2000个候选区域。2000个候选区域由选择性搜索(selective search)算法产生。选择性搜索：（1）首先初始化多个候选区域；（2）用贪心算法递归地将相似区域合并成较大区域；（3）使用生成的区域去产生最终候选区域建议； 检测过程如上图所示：将2000个候选区域分别调整成方形，喂入卷积神经网络；由卷积神经网络产
转载
2023-10-15 16:40:17
112阅读
图神经网络是近年来很火的一个研究方向，在生物化学，推荐系统，自然语言处理等领域都得到了广泛应用。其中图神经网络在推荐系统的应用方面，已有几篇综述[1][2][3]做过详细的归纳总结。但是让人感到美中不足的是，综述中总结的多是学术型工作，偏向于GNN模型上的微调，部分工作其实就是将上游的SGC[4]，GrapSage[5]，JKNet[6]等模型在几个祖传玩具数据集上刷一下结果讲一个故事，很少关心模
转载
2023-12-29 23:35:39
135阅读
基于tensorflow和卷积神经网络的电影推荐系统的实现一. 数据处理1. MovieLens数据集2. 处理后的数据二. 建模&训练1. 嵌入层2. 文本卷积层3. 全连接层4. 构建计算图&训练5. 推荐 本项目使用文本卷积神经网络，并使用MovieLens数据集完成电影推荐的任务。推荐系统在日常的网络应用中无处不在，比如网上购物、网上买书、新闻app、社交网络、音乐网站、
转载
2023-12-09 15:34:52
56阅读
吴恩达机器学习笔记——八、神经网络1 为什么要用神经网络2 神经网络的表示2.1 神经元2.2 神经网络2.2.1 符号定义2.2.2 向量化2.2.3 神经网络所使用的特征3 非线性模型例子3.1 能实现“与”功能的神经网络3.2 能实现“或”功能的神经网络3.3 能实现“非”功能的神经网络3.4 能实现“同或”功能的神经网络3.5 实现多分类 1 为什么要用神经网络用来解决特征太多、参数太多
转载
2023-11-10 18:50:34
68阅读
©作者 | 刘祖龙单位 | 南京邮电大学论文标题：Local Augmentation for Graph Neural Networks论文链接：https://arxiv.org/pdf/2109.03856.pdf代码链接：https://github.com/SongtaoLiu0823/LAGNN近年来，图神经网络在基于图的任务中取得了显著的性能，而 GNN 的核心思想是通过聚集局部邻域
转载
2023-08-31 17:08:45
87阅读
本文从常见的推荐系统方法（基于内容、协同过滤等近邻算法、基于知识等）讲起，一直覆盖到前沿的新式推荐系统，不仅详细讲解原理，还手把手教大家如何用代码实现。
原创
2022-08-26 15:09:51
423阅读
# 图神经网络推荐系统
推荐系统是在互联网时代发展起来的一种智能化的信息过滤技术，旨在为用户推荐其感兴趣的信息，提供个性化的服务。随着互联网的快速发展和用户信息的爆炸增长，传统的推荐算法已经无法满足需求。图神经网络（Graph Neural Networks，简称GNN）作为近年来兴起的一种新型神经网络，为推荐系统带来了新的思路和方法。
## 图神经网络简介
图神经网络是一种用于处理图结构数
原创
2023-07-25 14:44:59
203阅读
针对推荐系统的稀疏性问题，图方法还真的很适合。推荐系统中存在很多的图结构，如二部图，序列图，社交关系图，知识语义图等GNN比传统的随机游走等有更好的表现PinSage和EGES都是很好的落地实践方法，也是这篇博文的整理重点。不过首先来看一下对于user-item二部图的一般处理方法GCMC，通用的捕捉主要是需要处理四步，1构图，包括如何采样 2邻居聚合，包括多少信息应该被选择 3信息更新，如何整合
转载
2023-11-28 11:49:12
58阅读
文章目录一.摘要二.背景介绍三.GAT四.总结五.附录 一.摘要我们提出了图注意网络（GAT），一种在图结构数据上运行的新型神经网络架构，利用掩蔽的自我注意层来解决基于图形卷积或其近似的先前方法的缺点。通过堆叠节点能够参与其邻域特征的层，我们能够（隐式）为邻域中的不同节点指定不同的权重，而不需要任何类型的昂贵的矩阵运算（例如求逆）或依赖于对图的了解结构前期。通过这种方式，我们同时解决了基于谱的图
转载
2023-06-14 20:48:53
542阅读
悠闲会 · 信息检索前段时间，我们关注过图神经网络在推荐系统中的应用：万物皆可Graph | 当推荐系统遇上图神经网络。今天继续来看看这个方向，何向南老师组的又两大必读论文，分别发在SIGIR19'和SIGIR20'。Neural Graph Collaborative Filtering论文：Neural Graph Collaborative Filtering地址：htt
转载
2023-10-10 09:34:50
161阅读
©作者 | PKU-DAIR单位 | 北京大学研究方向 | 大规模图学习ACM Computing Surveys (CSUR) 中文全称为美国计算机学会计算概观，是计算机学科最具影响力的期刊之一。作为计算机科学、理论和方法的综述类顶刊，其 2020 影响因子 10.282，该期刊主要发表计算机科学领域较有代表性的综述论文。PKU-DAIR 实验室
转载
2024-01-10 22:21:25
59阅读
