论文阅读：Neural Graph Collaborative Filtering

Author：Xiang Wang、 Xiangnan He∗、Meng Wang、Fuli Feng、Tat-Seng Chua

论文地址

Motivation：

从矩阵分解到最近融合深度学习的方法，获得用户（物品）embedding的典型方法都是通过映射已经存在的特征（ID、attributes）去描述用户，建模是通过重构用户-物品的历史交互。作者认为上述方法有个内在缺陷：没有在建模用户-物品历史交互中编码collaborative signal，这就导致了利用CF建模得到的embedding不是足够好的。

从而提出了NGCF，明确显性的建模了collaborative signal在嵌入训练的过程。

Contribute：

1.强调了在基于模型的CF中，嵌入函数利用collaborative signal的重要性。

2.提出了一个新的基于图神经网络的推荐系统框架——NGCF，通过执行embedding传播，明确的编码了高阶连通性的collaborative signal。

3.大量实验证明了neural embedding propagation是有效的，提高了embedding的质量。。

Method：

1.embedding layer ： offer and initialization of user embeddings and item embeddings.

2.multiple embedding propagation layers : refine the embeddings by injecting high-order connectivity relations.

3.prediction layer: aggregate the refined embeddings from different propagation layers and outputs the affinity score of a user-item pair.

4.optimization: BPR Loss

Dataset：

Baselines:

MF、NeuMF、CMN、HOP-Rec、PinSage、GC-MC、SpectralCF

1.不同算法比较性能

2.不同稀疏度比较性能
3.不同数量的embedding传播层比较性能

4.不同的卷积层比较性能

5.节点失活和消息失活比较性能
6.MF和NGCF在每个epoch下的测试性能比较

7.可视化高阶连通性的影响