文献阅读总结（3）Neural Graph Collaborative Filtering

 1、Introduction

左图u1，右图从左图的u1开始展开

图反应的信息：

1、从路径u1->i2->u2,可以反映出u1和u2的相似性；

2、u1和i4之间有两条路径，而u1和i5之间只有一条路径，可以反应u1对i4的兴趣比u1对i5的兴趣更高。

与HOP-Rec不同的是，该技术将高阶连通性整合到预测模型中。

贡献：

1、我们强调了在基于模型的CF方法的嵌入函数中显式地利用协作信号的关键重要性

2、提出了一种基于图神经网络的推荐框架NGCF，通过嵌入传播将协作信号以高阶连通性的形式进行显式编码。

3、我们对三个百万规模的数据集进行了实证研究。实验结果表明，NGCF算法具有良好的性能，能够有效地提高神经网络嵌入传播的嵌入质量.

2、methodology

 该框架中有三个组件：

（1）嵌入层，其提供用户嵌入和项目嵌入的初始化;

（2）多个嵌入传播层，其通过注入高阶连接关系来细化嵌入;

（3）预测层，其聚集来自不同传播层的细化嵌入并输出user-item对的密切度分数。

2.1 Embedding Layer

 2.2 Embedding Propagation Layers

我们构建GNN的消息传递架构，沿着图结构捕获CF信号，并细化用户和项目的嵌入。

由单层传播的设计，推广到多个连续层。

2.2.1 一阶传播

然后将其归纳为多个归纳直观地，交互的项目提供了关于用户偏好的直接证据; 类似地，消费项目的用户可被视为该项目的特征并用于测量两个项目的协作相似性。我们在此基础上构建以执行连接的用户和项目之间的嵌入传播，用两个主要操作来制定该过程：消息构造和消息聚合。

2.2.2 多阶传播

可以在嵌入传播过程中捕获u1 ← i2 ← u2 ← i4这样的协同信号。此外，来自i4的消息被显式地编码在eu1中（由红线指示）。因此，堆叠多个嵌入传播层将协同信号无缝地注入到表示学习过程中。

2.3 Model Prediction

2.4 Optimization

2.5 Discussions

Experiments