
摘要
我们从图上的链接预测角度考虑推荐系统的矩阵补全问题。例如电影评分等交互数据可以表示为一个带有标记边的二部用户-项目图,其中标记边表示已观察到的评分。基于近期在图结构数据上深度学习的进展,我们提出了一种基于可微消息传递的图自编码器框架,该框架应用于二部交互图。我们的模型在标准协同过滤基准测试中表现出竞争力。在提供补充特征信息或如社交网络等结构化数据的情况下,我们的框架超越了最近的最先进方法。
代码仓库
swtheing/Multiview-Link-Representation-Learning
pytorch
GitHub 中提及
tubamuzzaffar/gc
tf
GitHub 中提及
hengruizhang98/GCMC-Pytorch-dgl
pytorch
GitHub 中提及
tubamuzzaffar/gcmc-2
tf
GitHub 中提及
tubamuzzaffar/gc2
tf
GitHub 中提及
tanimutomo/gcmc
pytorch
GitHub 中提及
tjcdev/gcmc-tf2
tf
GitHub 中提及
riannevdberg/gc-mc
官方
tf
GitHub 中提及
xiaoleiHou214/gc-mc-master
tf
GitHub 中提及
tubamuzzaffar/g
tf
GitHub 中提及
tobiasweede/rs-via-gnn
pytorch
GitHub 中提及
lmcRS/AWS-recommendation-papers
GitHub 中提及
blueghostyi/id-grec
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| collaborative-filtering-on-movielens-100k | GC-MC | RMSE (u1 Splits): 0.905 |
| collaborative-filtering-on-movielens-100k | GC-MC | RMSE (u1 Splits): 0.910 |
| collaborative-filtering-on-movielens-10m | GC-MC | RMSE: 0.777 |
| collaborative-filtering-on-movielens-1m | GC-MC | RMSE: 0.832 |
| recommendation-systems-on-douban-monti | GC-MC | RMSE: 0.734 |
| recommendation-systems-on-flixster-monti | GC-MC | RMSE: 0.917 |
| recommendation-systems-on-yahoomusic-monti | GC-MC | RMSE: 20.5 |