ICMLJun, 2020

低通协作滤波的图卷积网络推荐算法

PDF
TL;DR为了应用 Graph Convolutional Network 到大规模图上，我们提出了一种 Low-pass Collaborative Filter 算法来清除噪声并降低计算复杂度，实验结果表明这种算法可以有效提高图卷积的效果和效率。
graph convolutional networklarge graphlow-pass collaborative filtereffectivenessefficiency
发现论文，激发创造
  • 图卷积在推荐系统中的效果如何？

    本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

    Aug, 2021

  • SocialGCN：一种基于图卷积网络的高效社交推荐模型

    本文提出了一种基于图卷积神经网络的社交推荐模型，通过捕捉信息在社交网络中的扩散进程来影响用户偏好，使得模型在两个真实数据集上展现出了很好的性能。

    Nov, 2018

  • LightGCN：简化和强化图卷积网络用于推荐

    研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。

    Feb, 2020

  • 简化图卷积网络

    通过消除 GCN 中的不必要的非线性和权重矩阵，我们提出了一种线性模型，它对应于一个固定的低通滤波器，然后是一个线性分类器。 在许多下游应用中，我们的实验评估表明这种简化并不会对精度产生负面影响。 此外，由于我们的模型简化减少了计算量，因此我们的模型在更大的数据集上具有可扩展性，并且具有更快的推理速度。

    Feb, 2019

  • 图形协同过滤再审视：线性残差图形卷积网络方法

    本文提出了一种无非线性激活函数的简化 GCN 结构，以提高推荐性能，并提出了一种专门用于 CF 的残差网络结构来解决大规模数据下图卷积聚合操作的平滑问题，该模型易于训练、扩展到大规模数据集，并在两个真实数据集上展示出更好的效率和效果。

    Jan, 2020

  • 超越低通滤波：自动过滤的图卷积网络

    本文提出了 Automatic Graph Convolutional Networks (AutoGCN) 来捕获图信号的全部频谱，并自动更新图卷积滤波器的带宽，实验结果表明，AutoGCN 比只能作为低通滤波器的基准方法有了显著的改进。

    Jul, 2021

  • 大规模可学习的图卷积网络

    通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

    Aug, 2018

  • 一种稳健的分层图卷积网络模型用于协同过滤

    该论文首先认为当前的 GCN 模型较难训练，而且容易出现平滑过度和容易受到对抗攻击的问题；该论文提出了一种有效的方法来处理这些问题，通过使用简单的 GCN 模型单独聚合不同阶邻居的信息，然后通过层级的累加来消除这些问题，并且在实验数据集上证明了该模型的有效性和鲁棒性。

    Apr, 2020

  • UltraGCN: 面向推荐的图卷积网络的超简化

    本文介绍了基于图卷积网络的推荐算法，提出了一种简化的模型 UltraGCN，通过限制损失函数直接逼近无限层图卷积的极限来替代昂贵的消息传递过程。通过实验表明，UltraGCN 相比现有的 GCN 模型和 LightGCN 有较大提升，并且训练速度有 10 倍以上的加速。

    Oct, 2021

  • 蒸馏图卷积网络的二元化协同过滤

    利用改进的图卷积网络和针对 Top-K 物品推荐的二值协同过滤方法来应对真实世界中推荐系统中的挑战，并通过将排名信息转化为二值表示来提高在线推荐的效率。

    Jun, 2019