基于图神经常微分方程的协同过滤方法

Nov, 2023

基于图神经常微分方程的协同过滤方法

Graph Neural Ordinary Differential Equations-based method for Collaborative Filtering

Ke Xu, Yuanjie Zhu, Weizhi Zhang, Philip S. Yu

TL;DR我们提出了一种基于图神经常微分方程的协同过滤方法（GODE-CF），该方法通过利用一个或两个图卷积网络层捕获的信息来估计最终嵌入，并证明了该模型在多个数据集上优于竞争基线和其他最新的协同过滤方法。值得注意的是，我们的 GODE-CF 模型相对于传统的图卷积网络模型具有简单、高效和快速训练时间等多个优点，使其成为实际场景中的理想选择。

Abstract

graph convolution networks (GCNs) are widely considered state-of-the-art for collaborative filtering. Although several GCN-based methods have been proposed and achieved state-of-the-art performance in various tas

graph convolution networks collaborative filtering ode problem graph neural ordinary differential equation-based method gode-cf model

发现论文，激发创造

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

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

图神经常微分方程

本文介绍了连续深度图神经网络 (GNN) 的框架，将图神经常微分方程 (GDEs) 形式化为 GNN 的对应物，其输入输出关系由一系列 GNN 层的连续融合离散拓扑结构和微分方程来决定，证明了其兼容各种静态和自回归 GNN 模型。结果表明 GDEs 在静态设置中通过在前向传递中将数值方法纳入其中提供了计算优势，在动态设置中，通过利用潜在动态的几何结构性能得到了提高。

Nov, 2019

将领域微分方程纳入图卷积网络以降低泛化差异

将域差分方程纳入图卷积网络（GCN）中可以提高空时预测的准确性和鲁棒性，我们提出了 Reaction-Diffusion Graph Convolutional Network（RDGCN）和 Susceptible-Infectious-Recovered Graph Convolutional Network（SIRGCN），它们基于可靠且可解释的域差分方程，能够适应不同的测试数据，并且相比于现有的深度学习方法具有更强的鲁棒性。

Apr, 2024

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

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

图耦合振荡器网络

提出了一种名为 Graph-Coupled Oscillator Networks（GraphCON）的新型用于图上深度学习的框架，该框架基于二阶常微分方程（ODEs）的离散化模型，模拟了通过底层图的邻接结构耦合的非线性控制和阻尼振荡器网络，并且解决了过度平滑问题和梯度消失问题。

Feb, 2022

低通协作滤波的图卷积网络推荐算法

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。

Jun, 2020

使用神经控制微分方程学习动态图嵌入

研究动态图的表示学习，提出了 Graph Neural Controlled Differential Equation (GN-CDE) 模型，通过深度神经网络参量化向量场和交互导数，对节点嵌入轨迹的动态演化进行建模，实现了在动态演化的图上表达动态的能力。

Feb, 2023

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