Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback

Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback

1. 目标
2. 解决途径
   • 2.1 网络结构
   • 2.2 形式化处理过程
3. 结果
4. 附录
   • 4.1 neighbor routing mechanism

内容

1. 目标

   本文应用的场景是推荐系统，作者认为用户在使用某些应用时，由于误操作等原因产生噪声，使得推荐系统的结构图引入了噪声，文章引入了方法将这些噪声过滤

2. 解决途径

   • 2.1 网路结构
     

     该网络主要由三部分组成，分别是graph refining layer, graph convolutional layer和prediction layer，用途分别是识别和删除噪声边；使用图卷积提取用户与目标的嵌入；推断出用户与目标的表示对

   • 2.2 形式化处理过程

     • 2.2.1 neighbor routing mechanism

       主要理论分析见附录，这种结构的作用是，解耦网络是将所有的邻域节点解耦为k组，再进行聚合和信息传递，可以增强联系，减弱噪声，进而可以起到过滤的作用

       该网络对原来的操作进行了一定的修改，原算法为

       

       本算法修改后则是

       

       其中 i 为item信息，之后会用到多次迭代后得到的u_bar

     • pruning operations

       随后又进行了u节点和i节点的相似性程度进行计算 ，这里度量相似度使用的是内积

       

       之后引入了不同模态的相关性系数来度量user与item的重要程度

       

       最后取最大值，提取出最大相关性的信息，具体才做就是进行乘法后进行max

       

     • Graph Convolutional Layer

       下面使用比较常规的图卷积进行操作，最后对多次卷积后得到的结果进行叠加，具体地，

       

     • prediction layer

       最后使用拼接的方式叠加数据，而后使用内积度量用户的偏好

       

3. 结果

   

4. 附录

   • 4.1 neighbor routing mechanism

     论文中根据参考文献 Disentangled Graph Convolutional Networks，未经解释地使用了称之为neighbor routing mechanism的处理方式，我们下面对这种方式进行一种深入的探讨

     • 假设1

       Factor k is likely to be the reason why node u connects with a certain subset of its neighbors, if the subset is large and the neighbors in the subset are similar w.r.t. aspect k, i.e., they form a cluster in the k th subspace.

       节点u的邻居的子集如果足够大并且内部节点与因素k足够有关联，k就有可能是u与该邻居子集相连的原因

     • 假设2

       Factor k is likely to be the reason why node u and neighbor v are connected, if the two are similar in terms of aspect k.

       如果u与v根据因素k相类似，k就有可能是u与v相连的原因

     • 定理1

     

     • 

     • 根据上面的解释，c表示的就是每个子空间的最大聚簇中心

     • 定理1的证明（请结合论文查看）