首页 > 其他分享 >TransGNN论文阅读笔记

TransGNN论文阅读笔记

时间:2024-06-05 09:25:37浏览次数:25  
标签:编码 Transformer 论文 TransGNN 笔记 GNN 节点 mathrm

TransGNN: Harnessing the Collaborative Power of Transformers and Graph Neural Networks for Recommender Systems论文阅读笔记

Abstract

存在的问题:

​ 目前基于 GNN 的方法仍面临着感受野有限和存在 "兴趣无关 "连接噪声的挑战。相比之下,基于Transformer的方法在自适应和全局性聚合信息方面表现出色。然而,它们在大规模交互图中的应用却受到了固有的复杂性和捕捉错综复杂的纠缠结构信息的挑战的阻碍。

解决方案:

​ 在本文中,我们提出了一种新的TransGNN模型,它交替地集成了Transformer层和GNN层,以相互增强它们的能力。具体来说,TransGNN 利用 Transformer 层来拓宽感受野,并将信息聚合与边缘分离,从而聚合来自更多相关节点的信息,从而增强 GNN 的信息传递能力。此外,为了有效捕捉图结构信息,还精心设计了位置编码,并将其集成到 GNN 层中,将此类结构知识编码为节点属性,从而提高 Transformer 在图上的性能。此外,我们还提出了针对变换器的最相关节点采样以及两种高效的采样更新策略,以降低复杂性,从而缓解了效率方面的考虑。此外,理论分析表明,与 GNN 相比,TransGNN 的表达能力更强,而线性复杂度仅略有增加。

Introduction

​ 尽管现有的基于图的 CF 模型非常有效,但仍有几个基本挑战没有得到充分解决。首先,信息传递机制依赖于边缘来融合图结构和节点属性,这会导致强烈的偏差和潜在的噪音。例如,最近关于眼动跟踪的研究表明,用户不太可能浏览推荐列表中排名靠后的项目,而倾向于与列表顶部的前几个项目进行交互,而不管项目的实际相关性如何。因此,交互图内的拓扑连接会受到上述位置偏差的阻碍,导致信息传递的说服力降低。

​ 此外,由于对流行项目的过度推荐,用户可能会与他们不感兴趣的产品进行交互,从而导致在用户-项目交互图中形成“与兴趣无关的连接”。因此,从用户对推荐列表的反馈中生成的图形可能不能忠实地反映用户的偏好。更糟糕的是,嵌入沿着边缘的传播可能会加剧噪声效应,潜在地扭曲了基于gnn的模型中潜在用户兴趣的编码。

​ 其次,gnn的接受域也受到过平滑的挑战的限制。已经证明,随着gnn体系结构的深入并达到一定程度,模型不会对训练数据产生响应,这种深度模型获得的节点表现往往过于平滑,也变得难以区分的。因此,GNN模型的最优层数通常被限制在不超过3个,其中模型最多只能捕获3个跳的关系。 然而,在实际应用中,项目序列的长度往往超过 3,这表明存在超出这一限制的重要序列模式。由于网络结构的固有限制,基于 GNN 的模型很难捕捉到这种较长期的序列信息。

​ 幸运的是,Transformer 架构似乎为解决这些固有的局限性提供了一条途径。由于自关注机制,每个项目都能汇总用户-项目交互序列中所有项目的信息。因此,Transformer 可以捕捉序列数据中的长期依赖关系,并取代卷积神经网络和递归神经网络。然而,虽然Transformer具有全局和自适应聚合信息的能力,但其有效利用图结构信息的能力却受到了限制。这种限制源于Transformer的聚合过程不依赖于边,从而导致对关键历史交互的低估。

​ 在本文中,我们将探究Transformer和 GNNs 的整合是否能利用它们各自的优势来共同提高性能。通过利用变形器,GNN 的接收领域可以扩大,以涵盖更多相关节点,甚至是那些距离中心节点较远的节点。反过来,GNN 也能帮助 Transformers 捕捉复杂的图拓扑信息,并有效地聚合邻近区域的相关节点。尽管如此,将 GNN 和 Transformers 集成到图结构 CF 数据建模中仍面临巨大挑战,主要包括以下三个核心方面。

(1) 如何在注意力采样模块中采样最相关的节点?由于用户-物品交互图可能包含 "感兴趣-不相关 "的连接,直接汇总所有交互边的信息会影响对用户的准确呈现。同时,考虑最相关的节点不仅能降低计算复杂度,还能过滤掉来自噪声节点的无关信息。

(2) Transformers 和 GNN 如何在协作框架中有效结合?鉴于 Transformers 和 GNNs 各自固有的优点,设想一个协作框架,让这两个模块在用户建模中相互促进,是一个合乎逻辑的发展过程。

(3) 如何有效更新注意力样本,避免复杂性耗尽?计算每个中心节点在整个图数据集上的自我关注权重需要

标签:编码,Transformer,论文,TransGNN,笔记,GNN,节点,mathrm
From: https://www.cnblogs.com/anewpro-techshare/p/18232245

相关文章

  • 数据结构复习笔记5.3:线索二叉树
    1.前言        在n个结点的⼆叉链表中,必定有n+1个空链域。⽽遍历运算是最重要的,也是最常⽤的运算⽅法,之前的⽆论是递归与非递归的算法实现遍历效率其实都不算⾼。        现有⼀棵结点数⽬为n的⼆叉树,采⽤⼆叉链表的形式存储。对于每个结点均有指向左右孩⼦......
  • FFT 学习笔记
    FFT学习笔记1.多项式与卷积1.1多项式对于多项式\(F(x)=a_0+a_1x+a_2x^2+a_3x^3+\dots+a_nx^n\),我们称\(a_0,a_1,\dots,a_n\)为它的系数,这种表示法叫做系数表示法。定义\(F(x)\)的\(n\)次项系数为\(f_n\)。我们有:\[F(x)=\sum_{i=0}^nf_ix^i\]1.2卷积考虑两个多......
  • 学习笔记:透明电子纸的粒子运动仿真模型
    学习笔记:透明电子纸的粒子运动仿真模型文章目录学习笔记:透明电子纸的粒子运动仿真模型前言一、粒子运动模型的基本物理背景二、粒子运动仿真模型1.导入Python库2.修改相关参数及输入仿真文件3.粒子三维运动速度计算4.其它物理模块的添加5.粒子运动轨迹动画展示6.......
  • 九、FreeRTOS学习笔记-列表和列表项
    列表和列表项的简介列表是FreeRTOS中的一个数据结构,概念上和链表有点类似,列表被用来跟踪FreeRTOS中的任务。列表项就是存放在列表中的项目列表相当于链表,列表项相当于节点,FreeRTOS中的列表是一个双向环形链表列表的特点:列表项间的地址非连续的,是人为的连接到一起的。列表......
  • java函数笔记
    Statement.executeQuery和Statement.executeUpdate作用:用于执行SQL查询和更新操作。问题:容易导致SQL注入攻击。解决方法:使用PreparedStatement进行参数化查询。//不安全的做法Statementstmt=connection.createStatement();ResultSetrs=stmt.executeQuery("SEL......
  • python学习笔记-04
    高级数据类型一组按照顺序排列的值称为序列,python中存在三种内置的序列类型:字符串、列表和元组。序列可以支持索引和切片的操作,第一个索引值为0表示从左向右找,第一个索引值为负数表示从右找。1.字符串操作1.1切片切片是指选取字符串中的某些数据,语法:字符串[开始下标:结......
  • 基于springboot-vue的毕业论文管理系统(11728)
     有需要的同学,源代码和配套文档领取,加文章最下方的名片哦一、项目演示二、资料项目演示视频介绍完整源代码(前后端源代码+SQL脚本)配套文档(LW+PPT+开题报告)远程调试控屏包运行三、技术介绍Java语言SSM框架SpringBoot框架Vue框架JSP页面Mysql数据库IDEA/Eclipse开发四、项......
  • 西瓜书与d2l笔记
    西瓜书强化学习任务通常用马尔可夫决策过程(MarkovDecisionProcess,简称MDP)来描述机器只能通过选择要执行的动作来影响环境,也只能通过观察转移后的状态和返回的奖赏来感知环境机器要做的是通过在环境中不断地尝试而学得一个"策略"(policy)π,根据这个策略,在状态x下就能得知......
  • 【SVG 生成系列论文(九)】如何通过文本生成 svg logo?IconShop 模型推理代码详解
    SVG生成系列论文(一)和SVG生成系列论文(二)分别介绍了StarVector的大致背景和详细的模型细节。SVG生成系列论文(三)和SVG生成系列论文(四)则分别介绍实验、数据集和数据增强细节。SVG生成系列论文(五)介绍了从光栅图像(如PNG、JPG格式)转换为矢量图形(如SVG、EPS格式)的关......
  • springboot+vue+mybatis学生奖惩管理系统+PPT+论文+讲解+售后
    在如今社会上,关于信息上面的处理,没有任何一个企业或者个人会忽视,如何让信息急速传递,并且归档储存查询,采用之前的纸张记录模式已经不符合当前使用要求了。所以,对学生奖惩信息管理的提升,也为了对学生奖惩信息进行更好的维护,学生奖惩管理系统的出现就变得水到渠成不可缺少。通过对......