首页 > 其他分享 >On Manipulating Signals of User-Item Graph A Jacobi Polynomial-based Graph Collaborative Filtering

On Manipulating Signals of User-Item Graph A Jacobi Polynomial-based Graph Collaborative Filtering

时间:2023-11-22 10:59:39浏览次数:57  
标签:based Graph item mathbf tilde Polynomial mathcal hat Lambda

目录

Guo J., Du L, Chen X., Ma X., Fu Q., Han S., Zhang D. and Zhang Y. On manipulating signals of user-item graph: A jacobi polynomial-based graph collaborative filtering. KDD, 2023.

利用 Jacobi Convolution 来区分高中低频信号.

符号说明

  • \(\mathcal{U}\), user set;

  • \(\mathcal{I}\), item set;

  • \(N = |\mathcal{U}| + |\mathcal{I}|\);

  • \(\mathbf{R} \in \mathbb{R}^{|\mathcal{U}| \times |\mathcal{I}|}\), rating matrix;

  • 邻接矩阵:

    \[\mathbf{A}= \left[ \begin{array}{ll} \mathbf{0} & \mathbf{R} \\ \mathbf{R}^T & \mathbf{0} \end{array} \right] \in \mathbb{R}^{N \times N}. \]

  • \(\mathbf{\hat{A}} = \mathbf{D}^{-1/2} \mathbf{A} \mathbf{D}^{-1/2}\), normalized adjacency matrix, \(\mathbf{D}_{ii} = \sum_j \mathbf{A}_{ij}\).

  • \(\mathbf{L} = \mathbf{D - A}\), graph Laplacian matrix, 并假设它的矩阵分解为:

    \[\mathbf{L} = \mathbf{\tilde{U}\tilde{\Lambda} \tilde{U}}^T. \]

  • \(\mathbf{\hat{L}} = \mathbf{I} - \mathbf{\hat{A}}\),

Motivation

  • 一般的谱图网络可以理解为:

    \[\bm{y} = g_{\theta}(\mathbf{L}) \bm{x} = \mathbf{\tilde{U}} g_{\theta}(\mathbf{\tilde{\Lambda}}) \mathbf{\tilde{U}}^T x, \]

    其中

    \[g_{\theta}(\mathbf{\tilde{\Lambda}}) = \sum_{k=0}^K \theta_k \mathbf{P}_k(\mathbf{\tilde{\Lambda}}), \]

    \(\mathbf{P}_k\) 为多项式基.

  • 我们知道 \(\mathbf{R}_{ij} = 0\) 的位置有三种可能:

    1. user \(u_i\) 见过但不喜欢 item \(v_j\);
    2. user \(u_i\) 没见过但喜欢 item \(v_j\).
    3. user \(u_i\) 没见过也不喜欢 item \(v_j\).
  • 假设, 我们知道真正的 \(\mathbf{R}^*\), 其中为 \(0\) 的元素就表示不喜欢的情况, 并令其得到的邻接矩阵为 \(\mathbf{B}\). 则推荐需要做的就是找到一个映射 \(f(\cdot)\) 使得:

    \[\min_{f} \quad \|f(\mathbf{A}) - \mathbf{B}\|_F, \]

    倘若 \(f\) 是多项式类的, 则有

    \[\|f(\mathbf{A}) - \mathbf{B}\|_F = \|f(\mathbf{\Lambda}) - \mathbf{U}^T \mathbf{B} \mathbf{U} \|_F. \]

  • u哦这比较了 \(\Lambda\) 和 \(\mathbf{U}^T \mathbf{B} \mathbf{U}\) 对角线元素的一个相关性质 (我不理解是怎么计算这个相关性的):

  • 得出的结果是, 往往低频和高频信息有比较简单的线性相关性质, 而中间的则不然, 所以作者的建议是分别处理这两部分.

JGCF

  • 作者希望用 Jacobi Polynomial Bases 来拟合, 注意到 (下图的值是 normalized 的):

  • 很明显, 传统的 LightGCN 所采用的 Monomial Bases 重视低频信息, 而压制中高频, \(P_k^{1, 1}\) 则是偏中高频, \(1 - P_k^{1, 1}\) 则是偏中高频.

  • 按照, 上一节的启发, 作者希望通过 \(P_k^{a,b}\) 去提取中高频特征, \(1 - P_k^{a, b}\) 去提取中频特征.

  • 高低频:

    \[\mathbf{E}_{band-stop}^{(K)} = \frac{1}{K+1} \sum_{k=0}^K \mathbf{P}_k^{a, b} (\mathbf{\hat{A}}) \mathbf{E}^{(0)}, \\ \]

  • 中频:

    \[\mathbf{E}_{band-pass}^{(K)} = \text{tanh}\bigg( \big( \alpha \mathbf{I} - \frac{1}{K+1} \sum_{k=0}^K \mathbf{P}_k^{(a, b)}(\mathbf{\hat{A}}) \big) \mathbf{E}^{(0)} \bigg). \]

  • 最后的表示为:

    \[\mathbf{E} = [\mathbf{E}_{band-stop}^{(K)}; \mathbf{E}_{band-pass}^{(K)}]. \]

代码

[official]

标签:based,Graph,item,mathbf,tilde,Polynomial,mathcal,hat,Lambda
From: https://www.cnblogs.com/MTandHJ/p/17848445.html

相关文章

  • 学习笔记:A Survey on Large Language Model basedAutonomous Agents
    挑选了自己感兴趣的部分整理了一下。目录ASurveyonLargeLanguageModelbasedAutonomousAgents1LLM-AAConstruction1.1ArchitectureDesign2LLM-AAApplication3LLM-AAEvaluation4ChallengeASurveyonLargeLanguageModelbasedAutonomousAgents北大高林学院的......
  • 【略读论文|时序知识图谱补全】DREAM: Adaptive Reinforcement Learning based on Att
    会议:SIGIR,时间:2023,学校:苏州大学计算机科学与技术学院,澳大利亚昆士兰布里斯班大学信息技术与电气工程学院,Griffith大学金海岸信息通信技术学院摘要:原因:现在的时序知识图谱推理方法无法生成显式推理路径,缺乏可解释性。方法迁移:由于强化学习(RL)用于传统知识图谱上的多跳推理开......
  • How Powerful are Spectral Graph Neural Networks?
    目录概符号说明SpectralGNNChoiceofBasisforPolynomialFiltersJacobiConv代码WangX.andZhangM.Howpowerfularespectralgraphneuralnetworks?ICML,2022.概分析谱图网络的表达能力.符号说明\(\kappa(M)=\frac{\lambda_{\max}}{\lambda_{\min}}\),矩阵......
  • 【略读论文|时序知识图谱补全】Adaptive Path-Memory Network for Temporal Knowledge
    会议:IJCAI,时间:2023,学校:1中国科学院计算机网络信息中心,北京2中国科学院大学,北京3澳门大学智慧城市物联网国家重点实验室,澳门4香港科技大学(广州),广州5佛罗里达大学计算机科学系,奥兰多摘要:提出一种新的具有TKG关联特征的体系结构建模方法,即自适应路径-记忆网络(DaeMon)。......
  • 【略读论文|时序知识图谱补全】Temporal Knowledge Graph Reasoning with Historical
    会议:AAAI,时间:2023,学校:上海交通大学摘要:大多数时序知识图谱的推理方法高度依赖于事件的递归或周期性,这给推断与缺乏历史交互的实体相关的未来事件带来了挑战。本文提出一种新的基于历史对比学习训练框架的对比事件网络(CENET)的新事件预测模型。1.CENET学习历史和非历史依赖来区......
  • 【略读论文|时序知识图谱补全】Logic and Commonsense-Guided Temporal Knowledge Gra
    会议:AAAI,时间:2023,学校:北京航空航天大学文中谓词可以视为关系。以往的TKG补全(TKGC)方法不能同时表示事件的时效性和因果关系。为了应对这些问题,作者提出了一个逻辑和尝试引导嵌入模型(LCGE),从常识的角度共同学习涉及事件的及时性和因果关系的时间敏感表示,以及事件的时间无关表示......
  • 数据结构与算法 | 图(Graph)
    在这之前已经写了数组、链表、二叉树、栈、队列等数据结构,本篇一起探究一个新的数据结构:图(Graphs)。在二叉树里面有着节点(node)的概念,每个节点里面包含左、右两个子节点指针;比对于图来说同样有着节点(node),在图里也称为顶点(vertex),顶点之间的关联不在局限于2个(左、右),一个顶点可以与任......
  • 在Spring Boot中实现GraphQL
    1什么是GraphQLGraphQL是一种API查询语言,由Facebook开发,用于提供灵活、高效的API接入。它允许客户端准确指定需要的数据,而不是获取预设的REST接口。2优势灵活的查询方式,请求特定字段,无过度获取强类型,类型安全单一端点,避免过多端点内置Documentation...3Spring......
  • How Attentive are Graph Attention Networks?
    目录概符号说明GATv2代码BrodyS.,AlonU.andYahavE.Howattentivearegraphattentionnetworks?ICLR,2022.概作者发现了GAT的attention并不能够抓住边的重要性,于是提出了GATv2.符号说明\(\mathcal{V}=\{1,\ldots,n\}\),nodeset;\(\mathcal{E}\su......
  • linux环境安装可操作图库语言Gremlin的图框架HugeGraph
    原创/朱季谦 若你还没接触过图数据库,可能看到这个概念时,会比较蒙蔽。图是什么?图数据库又是什么?首先,在数据结构中,图是一种由顶点(vertex)集合及顶点间关系集合组成的一种非线性数据结构。而图数据库,则是以图这种具有点边结构来增、删、改、查之类操作的NoSQL数据库,它特别擅长处理大数......