矩阵补全的算法(矩阵补全原理)

本文介绍的是ICLR2020入选论文《INDUCTIVEMATRIXCOMPLETIONBASEDONGRAPHNEURALNETWORKS》(基于图神经网络的归纳矩阵补全)。文章来自华盛顿大学圣路易斯分校博士、FacebookAI研究院研究科学家张牧涵。 文|张牧涵 编|丛末 下载链接:https://openreview.net/pdf?id=ByxxgCEYDS 代码地址:https://g…

文中详细介绍的是ICLR2020当选毕业论文《INDUCTIVE MATRIX COMPLETION BASED ON GRAPH NEURAL NETWORKS》(根据图神经网络的梳理矩阵补全)。文章内容来源于华盛顿大学圣路易斯校区博士研究生、Facebook AI 研究所科学研究生物学家张牧涵。

文 | 张牧涵

编 | 丛 末ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

下载地址:
https://openreview.net/pdf?id=ByxxgCEYDS

编码详细地址:
https://github.com/muhanzhang/IGMC

1 摘 要

矩阵补全(Matrix Completion)被广泛运用于推荐算法中。传统式的矩阵溶解(Matrix Factorization)方式为转导推理模型(Transductive Model),所学习培训到的embedding不可以营销推广到练习集中化未发生过的客户(user)和产品(item)。而 Inductive Matrix Completion (IMC) 实体模型应用內容信息内容(content)来补全矩阵,缺陷是对信息的产品质量标准很高,且在內容品质不行的情形下能造成远小于矩阵溶解的性能。

文中提起一种新的Inductive Graph-based Matrix Completion (IGMC) 实体模型,在维持归纳推理(inductive reasoning)的与此同时,彻底不依靠一切內容信息内容。能不依靠內容信息内容达到归纳推理的窍门就取决于子图构造。IGMC为每一个(user, item) pair获取一个包括子图(enclosing subgraph),并且用图神经网络(graph neural network)练习一个由子图构造投射到消费者对产品得分(rating)的回归分析。

IGMC在好几个数据上获得了最现代化的性能;它不但可以适用没在练习集中化发生的客户和产品,更可以转移(transfer)到新数据上。大家应用一个在MovieLens上练习的IGMC实体模型去预测分析豆瓣电影评分,获得了很好的性能,乃至好于很多专业在豆瓣网数据信息上练习的实体模型。

2 动 机

只需大家把每一个user或item当做一个节点(node),每一个rating当做一个边(edge),则矩阵补全可以看成是在二分图(bipartite graph)上的链接预测分析(link prediction)问题。有别于传统式链接预测分析只关心预测分析存有性(link existence),这儿我们要预测分析链接的值(link value),也就是客户对宝贝的得分。

最先,大家界定包括子图(enclosing subgraph)。对一个(user, item) pair,他们的h阶包括子图是由该user、 item,全部该user、 item的h-hop内临接节点(包括h-hop),及其全部这种节点中间的边构成的图。那样的一个包括子图内存有很多针对预测分析得分有效的信息内容。举例来说,即使仅用一阶包括子图,大家还可以得到例如客户均值得分、产品均值得分、产品总计点评频次,及其很多的根据途径(path)等的构造信息内容。参与图一。

一个简便的根据途径的结构类型如下所示,倘若大家想要知道客户u0针对产品v0的得分,大家能看有多少和u0品位类似的客户u1对v0打高分数;而品位类似可以用是不是这一u1和u0以前都给某一其他的产品v1打了高分数。汇总出来,那样的一个途径特点即是:ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

我们可以根据查有多少那样的途径来估计u0是不是会给v0高分数。并且,全部那样的途径都被包括在一阶包含子图(1-hop enclosing subgraph)中。ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

大家坚信相近那样的结构类型不计其数。因而,与其说手动式界定很多那样的研讨式特点(heuristics),比不上立即将一阶包括子图键入给一个图神经网络,用图神经网络强劲的图特点自学能力来全自动学习培训更通用性的、更有语言表达能力的特点。大家应用图神经网络练习一个由包括子图投射到得分的回归分析,试验证实,这类新的方式可以精准地预测分析得分。

3 方 法

获取每一个包括子图后,大家第一步要对这其中的节点开展标明(node labeling)。目地是为了能区别子图中节点的差异人物角色。例如我们要区别总体目标节点(target user/item)和环境节点 (context nodes)。总体目标节点标示出大家究竟要预测分析子图中哪一对(user, item)中间的得分。与此同时,我们可以区别不一样阶的隔壁邻居节点,例如一阶隔壁邻居(1-hop neighbors)和二阶邻居(2-hop neighbors)对总体目标节点的奉献水平并不相同。

大家选用了一个简便的作法,对总体目标客户(target user),大家标明为0,对总体目标产品(target item),大家标明为1;对i-hop的环境客户大家标明为2i,对i-hop的环境产品大家标明为2i 1。以后,大家将这种标明转换为one-hot encoding vector,做为每一个节点的原始特点键入给图神经网络。

在图神经网络(GNN)中,大家选用relational graph convolutional operator (R-GCN)做为卷积层,由于R-GCN可以从边种类中学习培训。ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

在其中,意味着节点在第层的矩阵的特征值, 和 为可学习培训的主要参数,意味着rating(一般从 中挑选,意味着与节点以种类边相接的隔壁邻居节点。

双层卷积神经网络后,大家将每一层結果相接获得每一个节点的最后表明:ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

最终,大家取总体目标客户和总体目标产品的相接的表明做为这一包括子图的最后表明:ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

并练习一个双层神经元网络(MLP)从子图表明重归到总体目标得分(rating)。

4 试验結果ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

大家仅应用一阶包括子图练习IGMC。最先,在Table 2中大家呈现了在Flixster, Douban和YahooMusic上的RMSE性能。大家的IGMC实体模型获得了state-of-the-art性能,超出了最近的别的根据图神经网络的实体模型。ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

在Table 3中大家展现IGMC在ML-100K 和 ML-1M上的性能。在ML-100K上,IGMC获得了较好的性能,和以前领跑的一种转导实体模型GC-MC性能同样。可是留意,GC-MC应用了另外的內容(content)特点,而IGMC彻底借助子图构造。GC-MC在没有应用content的情形下RMSE为0.910。在ML-1M上,IGMC仍滞后于别的一些转导逻辑推理的方式。大家下面深入分析这一问题。ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

针对ML-1M数据,大家各自将练习矩阵稀少为0.2, 0.1, 0.05, 0.01和0.001倍。Figure 2较为了GC-MC和IGMC在不一样稀少水平下的性能比照。大家发觉,尽管IGMC在sparsity=1时落伍于GC-MC,可是此后IGMC在不一样sparsity下都好于GC-MC,并且矩阵越稀少,性能优点越显著。大家猜想,根据子图特点学习培训的IGMC对稀少矩阵更鲁棒性;而根据矩阵溶解等的转导实体模型必须矩阵比较高密度(dense)才可以有好的性能。这也暗示着了IGMC在数据信息稀少的推荐算法中的发展潜力。ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

最终,大家检测IGMC的迁移学习性能。大家可以直接将ML-100K上练习的IGMC实体模型用以预测分析Flixster, Douban和YahooMusic。出乎意料,转移的IGMC实体模型获得了极高的性能,乃至好于一些专业在这里三个数据上练习的实体模型。这表明,不一样强烈推荐每日任务共享资源了很多同样的子图方式。ICLR 2020 | 超越传统,基于图神经网络的归纳矩阵补全

为认证这一点,大家数据可视化了一些现实的包括子图,见Figure 3。可以发觉,高得分和低评分相匹配的包括子图的确拥有非常明显的不一样;且不同数据中间共享资源很多类似的子图方式。

5 总 结

文中指出了一种根据子图特点开展归纳推理(inductive reasoning)的矩阵补全实体模型,IGMC。

根据这篇文章大家说明了仅从一阶包括子图学习图特点就可以在很多数据上做到领跑的性能,这好像暗示着更高级的联接关联并没尤其多的附加使用价值。

除此之外,大家也证实了不凭借內容(content)的inductive matrix completion (IMC)方式是一样有效的且大大超越了传统式的依靠內容的IMC方式。IGMC的很多特点,例如热敏性、稀少可扩展性等都暗示着了它的强悍发展潜力。大家期待IGMC能为引流矩阵补齐和推荐算法行业提供新的看法和启迪。

此外,依靠子图特点的链接预测分析方式早已取得了很大的取得成功,参照大家的另一篇文章“Link Prediction Based on Graph Neural Networks” :

http://papers.nips.cc/paper/7763-link-prediction-based-on-graph-neural-networks.pdf

ICLR 2020 系列产品毕业论文讲解

0、ICLR 2020 大会动态性报导

新冠疫情比较严重,ICLR2020 将举行虚似大会,非州初次 AI 国际性顶会从此泡汤

新冠疫情危害,ICLR 忽然改成网上方式,2020年将变成顶会转型之时吗?

受欢迎的图人工神经网络,ICLR 2020上有什么科学研究发展趋势?

1、直播间

回看 | 华为公司诺亚方舟ICLR100分毕业论文:根据强化学习的因果关系发觉

2、Oral

01. Oral | 一种镜像文件生成式翻译机器实体模型:MGNMT

02. Oral | 附加高斯函数先验总体目标,减轻负多元性愚昧

03. Oral | 引进附加自动门计算,LSTM稍做改动,性能便媲美Transformer-XL

04. Oral | 并行处理蒙卡树检索,性能高质量,线形加快,独闯「开心消消乐」1000关!

05. Oral | 元强化学习迈入一盆凉水:不比元Q学习好是多少

06. Oral | 用群卷积创建深层、等变的胶囊网络

07. Oral | Google发布分布式系统强化学习架构SEED,性能“强过”IMPALA,可拓展数千台设备,还很便宜

3、Spotlight

01. Spotlight | 实体模型主要参数这么多,泛化能力为什么还能那么强?

02. Spotlight | 公平与精准一样关键!CMU明确提出学习培训公平表现方式,完成优化算法公平

03. Spotlight | 组成泛化能力很差?用深度神经网络结合组成求得器试一下

04. Spotlight | 加快NAS,仅用0.1秒进行检索

05. Spotlight | 华盛顿大学:图像分类中对可完成进攻的防御力(短视频讲解)

4、Poster

01. Poster | 华为公司诺亚:恰当观念,NAS与「抵抗」融合,速度提升11倍

02. Poster | 撇开卷积,双头自专注力可以表述一切卷积实际操作

03. Poster | NAS 真的很难,百度搜索媲美任意取样!华为公司得出 6 条提议

04. Poster | 清华大学提 NExT 架构,用「神经细胞实行树」学习培训可实证性

05. Poster | Google全新科学研究:用“复合型散度”量化分析实体模型生成泛化能力

06. Poster | 完爆 BERT,Google最好 NLP 预训练模型开源系统,单卡练习仅需 4 天

07. Poster | FSNet:运用卷积核概述开展深层卷积神经元网络的缩小

08. Poster | “同歩均值课堂教学”架构为无监督学习给予更鲁棒性的伪标识

09. Poster | 迅速神经元网络响应式技术性

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

(0)
上一篇 2022年5月4日 上午10:05
下一篇 2022年5月4日 上午10:07

相关推荐

  • 情趣内衣加盟怎么样(情趣生活馆品牌加盟)

    1、维多利亚的秘密旗舰店,风靡全球的世界知名内衣品牌,在线销售文胸、内裤、睡衣、运动服饰、休闲服装等产品,品类多样,满足时尚年轻女性需求;精湛的文胸制作工艺,巧妙融合各类材质和前卫设计,为消费者带来功能性与时尚性兼具的文胸,店内产品有专业模特展示真实效果,方便用户快捷选择心仪的商品;店内常常举行品牌聚惠活动,领券即享满减优惠,实付满额即赠限量好礼;维多利亚的秘密品牌,成为神秘、魅力、奢侈、纵容的代…

    2022年5月7日
    1080
  • 5个励志的创业成功故事分享,看看他们是怎样创业成功的

    1、寂寞变成好生意 2008年,有个叫陈齐明的小伙子坐在台北车站前的星巴克。窗外人人擦肩而过,也许这辈子再也不会相遇。突然,他像被苹果打到头:如果有个网站让大家记录今天去了哪里,也许回家上网,会发现彼此下午3点曾在同一个地方。 一个月后,他开始架设想象中的网站。这个命名为“地图日记”的网站有点像群体博客,他与“谷歌地图”合作,以地图为主轴,网友依照不同的地点写上日记、放上照片。例如,你在这个网站上…

    2022年6月26日
    740
  • 怎么成为有钱人,快速摆脱贫穷的三大秘籍

    前段时间小编看了一本书, 叫作《富人的逻辑》, 觉得这篇文章当中的观点特别不错, 所以想跟大家一起来分享一下, 这本书是一个德国博士的论文, 作者研究了很多德国的富豪, 并使用了各种方法做了许多的实验, 找出了富人和普通人之间的区别, 所以,今天小编就将告诉大家, 这3种人更容易成为富人, 看懂了你就能越早知道其中的差距, 就能够更容易收获到成功。 1.富人比普通人更加自律 虽然很多人都经常说自律…

    2022年10月11日
    510
  • dnf魔界裂缝在哪里,dnf魔界裂缝前置任务

    魔界裂缝是新出一个90级副本,DNF魔界裂缝怎么进?DNF魔界裂缝哪里进?下面是6399游戏小编为大家带来详细DNF魔界裂缝进入方法DNF魔界裂缝怎么进的介绍、欢迎大家阅读~ 魔界裂缝进入方法: 这个地下城90级才可入场,打倒绿名与boss有概率掉落85-90级的史诗道具。 魔界裂缝的入场材料如下: 精炼的泰拉矿石,每日最多入场十次,需求材料数量会随着入场次数增加 那么这个精炼的泰拉矿石又是个什么…

    2022年6月7日
    710
  • 微信朋友圈推广怎么做,微信朋友圈做广告方法

    最近,朋友圈广告被炒的火热,这似乎是未来广告的一种新趋势,这种投放广告的渠道优势在于它更贴切于生活。试想,基本每个人在无聊空闲的时候都会翻看朋友圈,这是一个契机。而且这种新颖的广告投放方式在国内外均被广泛运用。 如上图所示,微信朋友圈广告大多是以图片文字来展现的,穿插公众号链接,而不变的是朋友圈用户依然可以通过点赞评论的方式来与其进行交流互动。微信朋友圈广告基于微信体系,以一种微信好友的原创内容插…

    2022年6月1日
    800
  • 咖啡创业计划书,咖啡产业创业机会

    “悦咖啡”是连锁的咖啡品牌,到目前为止,它已经拥有超过5000的月活会员,超过10万的支付会员,也已经获得了名人大咖众口交赞的推荐。现在呈现的趋势便是经营良好、自成体系。 那么,在咖啡业经营状况大多不景气的今天,悦咖啡是如何做到这一成绩的呢?这就要问问创始人王虎了。 王虎的创业开端说起来就是一场意外,不是什么雄心壮志。他当时的项目是关于商业地产,这个项目需要一家咖啡厅。但本来很看好这个项目的他却招…

    2022年6月4日
    680
  • 什么是websocket即时通讯(websocket即时通讯原理)

    前面在Django中已经用到webSocket技术了,webSocket由服务端和客户端组成。当客户端(浏览器)与服务端(服务器)建立链接之后(持久性的),就可以在两者之间进行双向数据传输(客户端可以发送消息到服务端,服务端也可将消息发送给客户端)。WebSocket扩展了浏览器与服务端的通信功能,允许服务端主动向客户端推送数据。利用WebSocket不仅可以节省服务器资源和带宽,还能够更实现实时…

    2022年5月9日
    1030
  • 电脑话筒声音小怎么办,麦克风音量调整工具推荐

    耳机作为这个时代不可或缺的产品,有蓝牙的,有线控的,线控的又分为入耳、半入耳和头戴式等等。随着时代的发展,人们对耳机的要求不再是听个声的低端要求,更追求的是音质和舒适度。 但是问题就来了,有了好的硬件设备,在使用的时候,耳机与其他硬件的组合会出现很多兼容和配置问题,最明显的就是经常连接手机的耳机,连接到电脑的时候。连接电脑不再是为了听音乐,有时候是为了开黑语音、视频通话和录制。这时候就会出现声音麦…

    2022年9月4日
    580
  • 蓝牙耳机拆解教程,蓝牙耳机方案有哪些

    2015年,高通以24亿美元完成对英国芯片制造商CSR公司的收购,这笔交易将帮助高通进一步拓展手机业务之外的领域,包括蓝牙音频、物联网和汽车领域。 高通吸收CSR团队后,在无线蓝牙音频领域积累了大量相关技术,在解决低功耗、连接稳定性、主动降噪以及语音唤醒等拥有诸多技术储备。其中QCC、CSR系列芯片被行业广泛采用,aptX、aptXHD高分辨率无线音频技术更是深入人心。 高通基于芯片、技术软硬结合…

    2022年6月11日
    800
  • 打印速度最快的打印机型号(家用小型激光打印机推荐)

    不可否认,对于打印机设备我们并不陌生。从分类来看可以大致分为激光类打印产品和喷墨类打印产品。激光打印类产品最大的优势在于输出速度快,能最大程度提升办公的效率。那么激光类打印机产品该如何选购呢?今天就给大家推荐三款好用的激光打印类产品。 联想小新的LJ2268黑白激光打印机 这里给大家推荐联想小新的LJ2268黑白激光打印机,简洁的外观设计让我们耳目一新。其最大的特点就是机身小巧不占地方,这对于家庭…

    2022年5月12日
    1200

发表回复

登录后才能评论

联系我们

400-800-8888

在线咨询: QQ交谈

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息

关注微信