【论文复现】基于图卷积网络的轻量化推荐模型

本文所涉及所有资源均在这里可获取。

📕作者简介：热爱跑步的恒川，致力于C/C++、Java、Python等多编程语言，热爱跑步，喜爱音乐、摄影的一位博主。

📗本文收录于论文复现系列，大家有兴趣的可以看一看

📘相关专栏C语言初阶、C语言进阶系列、恒川的日常汇报系列等，大家有兴趣的可以看一看

📙Python零基础入门系列，Java入门篇系列、docker技术篇系列、Apollo的学习录系列正在发展中，喜欢Python、Java、docker的朋友们可以关注一下哦！

神经网络的公式推导与代码实现

概述
模型讲解
演示效果
核心逻辑
使用方式
部署方式
参考文献

本文所涉及所有资源均在这里可获取。

概述

图卷积网络（Graph Convolution Network，GCN）已经广泛的应用于推荐系统，基于GCN的协同过滤算法（例如NGCF）缺少消融研究，此模型对NGCF进行了消融实验并提出了轻量化卷积网络。

传统的GCN推荐模型（以NGCF为例）

其中的线性变换和非线性激活函数导致模型庞大，速度很慢，难于理解。

通过消融实验，去掉线性变换W和非线性激活函数σ，得到以下结果：

可以看到，去掉fn的recall和ndcg在两个常用数据集上的效果更好。

本模型的优势在于，轻量化了NGCF模型，在参数更小，速度更快的基础上，还提升了性能。

模型讲解

模型集合了Item和User的邻居信息，切只保留这部分信息，通过多层的GCN，最后求均值，得到了最终的u、i向量，最后进行Prediction。

模型公式：

目标函数：

演示效果

其中precision、recall、ndcg为模型评判标准，epoch为迭代次数（可改参数）、loss为损失，Sample为节点覆盖率。

核心逻辑

核心代码逻辑：

python 复制代码

class LightGCN(BasicModel):
    def __init__(self,
                 config:dict,
                 dataset:BasicDataset):
        super(LightGCN, self).__init__()
        self.config = config
        self.dataset : dataloader.BasicDataset = dataset
        self.__init_weight()
        self.attention_layer = AttentionLayer(input_dim=64)
        self.mlp = MLP(input_dim=64)
#        self.contrast = Contrast(64, 0.5, 0.5)

    def __init_weight(self):
        self.num_users  = self.dataset.n_users
        self.num_items  = self.dataset.m_items

        self.latent_dim = self.config['latent_dim_rec']
        self.n_layers = self.config['lightGCN_n_layers']
        self.keep_prob = self.config['keep_prob']
        self.A_split = self.config['A_split']

        self.embedding_user = torch.nn.Embedding(
            num_embeddings=self.num_users, embedding_dim=self.latent_dim)
        self.embedding_item = torch.nn.Embedding(
            num_embeddings=self.num_items, embedding_dim=self.latent_dim)


        if self.config['pretrain'] == 0:
            #nn.init.xavier_uniform_(self.embedding_user.weight, gain=1)
            #nn.init.xavier_uniform_(self.embedding_item.weight, gain=1)
            #print('use xavier initilizer')
            # random normal init seems to be a better choice when lightGCN actually don't use any non-linear activation function
            nn.init.normal_(self.embedding_user.weight, std=0.1)
            nn.init.normal_(self.embedding_item.weight, std=0.1)

            world.cprint('use NORMAL distribution initilizer')
        else:
            self.embedding_user.weight.data.copy_(torch.from_numpy(self.config['user_emb']))
            self.embedding_item.weight.data.copy_(torch.from_numpy(self.config['item_emb']))

            print('use pretarined data')
        self.f = nn.Sigmoid()
        self.Graph = self.dataset.getSparseGraph()
        print(f"lgn is already to go(dropout:{self.config['dropout']})")

        # print("save_txt")

核心逻辑就是去掉传统图卷积中的非线性激活函数和线性变换，轻量化了模型，只保留了图的语义信息，目标函数选择了BPRLOSS。

使用方式

首先在/data文件中导入items和user数据，运行data_init.py文件进行数据初始化

在parse.py中修改模型参数

运行main.py

部署方式

python3.8即可，拥有pytorch环境

搭建环境

python 复制代码

 pip install -r requirements.txt

参考文献

SIGIR 2020. Xiangnan He, Kuan Deng ,Xiang Wang, Yan Li, Yongdong

Zhang, Meng Wang(2020). LightGCN: Simplifying and Powering Graph

Convolution Network for Recommendation, Paper in arXiv.

参考代码：

https://github.com/kuandeng/LightGCN

详细复现过程的项目源码、数据和预训练好的模型可从该文章下方链接获取：https://www.aspiringcode.com/content。

如果这份博客对大家有帮助，希望各位给恒川一个免费的点赞👍作为鼓励，并评论收藏一下⭐，谢谢大家！！！

制作不易，如果大家有什么疑问或给恒川的意见，欢迎评论区留言。