图卷积网络在推荐系统中的应用NGCF（Neural Graph Collaborative Filtering）配套pytorch的代码解释

注：本文所用到的代码及论文，文章底部有链接，可自行下载

论文部分：

1、简单介绍概念知识：

开发了一个新的推荐框架 Neural Graph Collaborative Filtering (NGCF)，它通过在传播嵌入来利用 user-item 图结构。 这导致了用户项目图中高阶连通性的表达建模，以显式方式有效地将协作信号注入到嵌入过程中。通过利用来自用户项交互的高阶连通性来应对挑战，这是一种在交互图结构中编码协作信号的自然方式。（感觉官方术语太形式化，可看下面白话介绍）

图 1 说明了高阶连通性的概念。 推荐感兴趣的用户是u1，在用户-项目交互图的左子图中用双圆圈标记。 右子图显示了从 u1 扩展的树结构。 高阶连通性表示从路径长度 l 大于 1 的任意节点到达 u1 ​​的路径。

例如，路径 u1 ← i2 ←u2 表示 u1 和 u2 之间的行为相似性，因为两个用户都与 i2 进行了交互； 较长的路径 u1 ← i2 ←u2 ← i4 表明 u1 很可能采用 i4，因为她的类似用户 u2 之前已经消费过 i4。 此外，从 l = 3 的整体来看，项目 i4 比项目 i5 更可能对 u1 感兴趣，因为有两条路径连接 <i4,u1>，而只有一条路径连接 <i5,u1>。

总而言之，这项工作做出了以下主要贡献：

（1）强调了在基于模型的 CF 方法的嵌入功能中明确利用协作信号的关键重要性。

（2）提出了NGCF，一种基于图神经网络的新推荐框架，它通过执行嵌入传播以高阶连接的形式显式编码协作信号。 

（3）对三百万个数据集进行实证研究。广泛的结果证明了 NGCF 的最新性能及其在通过神经嵌入传播提高嵌入质量方面的有效性。

框架中有三个组件：

（1）提供和初始化用户嵌入和项目嵌入的嵌入层；

  (2) 多个嵌入传播层，通过注入高阶连接关系来细化嵌入；

  (3) 预测层，聚合来自不同传播层的精细嵌入并输出用户-项目对的亲和度得分。

2、核心部分：

（1）Embedding Layer

可以看作是构建一个参数矩阵作为嵌入查找表：（注：这个主要是指创建初始的全节点embeding，连接用户和物品的结点信息）

 （2）Embedding Propagation Layers（本文的核心创新点）

 该过程有两个主要操作：消息构造和消息聚合。

先来个一阶聚合理解理解：

消息构造：

 mu←i表示物品到用户的消息构造。其中W1和W2是用于提取传播有用信息的可训练权重矩阵，eu和ei表示用户和物品的embedding，用eu和ei内积相乘来获得邻域的的信息（通俗讲就是聚合中心结点的邻居信息），然后再加ei（通俗讲此处是指再加上自身结点信息），最后的N是u和i的度用来归一化系数，可以看做是折扣系数（这个在代码中的体现就是将邻接矩阵归一化处理，防止多层卷积聚合后导致信息值太大，会发生计划之外的偏差）

消息聚合：在这个阶段，我们聚集从u的邻域传播的消息，