주뇽's 저장소

2023.10.17 - [DeepLearning/Paper Riview] - Dealing with Changes: Resilient Routing via Graph Neural Networks and Multi-Agent Deep Reinforcement Learning 논문 리뷰 Dealing with Changes: Resilient Routing via Graph Neural Networks and Multi-Agent Deep Reinforcement Learning 논문 리뷰 • Bhavanasi S S, Pappone L, Esposito F. Dealing with Changes: Resilient Routing via Graph Neural Networks and Multi-Agent D..

CF + GNN 모델 조사 그래프 구성의 차이 일반적인 GNN모델들은 단순하게 사용자-아이템 이분 그래프에 직접 GNN을 적용하면 다음과 같은 문제 학습하기에 표현이 충분하지 않음 대규모 그래프의 경유 높은 계산 비용 발생 GCCF(Graph Convolutional Collaborative Filtering) 기존의 사용자와 아이템 간의 상호작용 행렬을 분해하여 임베딩 하는 방식의 MF 모델을 개선하기 위하여 나온 모델로 그래프 구조를 고려하여 사용자와 아이템 간의 상호작용을 모델링한다. GCCF에서는 그래프를 구성할 때, 사용자와 아이템을 노드로 표현하고, 이들 간의 상호작용을 엣지로 표현합니다. 이 그래프를 바탕으로 GCN을 적용하여 사용자와 아이템의 임베딩을 학습하고, 이를 기반으로 새로운 사용자..

LightGCN은 Collaborative Filtering (CF)에서의 User-Item Interaction Matrix(사용자-아이템 상호작용 매트릭스)를 활용한 추천 시스템에서 사용되는 모델 중 하나이다. LightGCN은 그래프 신경망 모델 중 가장 간단하면서도 성능이 우수한 모델 중 하나이다. 모델 구조는 사용자와 아이템 간의 상호작용을 표현하는 유저-아이템 행렬을 이용하여 그래프를 만든다. 이때 그래프의 각 노드는 유저와 아이템을 나타내며, 각 엣지는 유저와 아이템 간의 상호작용을 나타냅니다. LightGCN은 다른 CF(협업 필터링) 모델과 달리, User와 Item간의 interaction(상호작용) 매트릭스를 이용하여 User와 Item을 Embedding시키는 작업만을 수행한다. 즉..

H → 특징 행렬의 Coulmn을 통과 A = 인접 행렬 H = 특징 행렬 W = 가중치 행렬 HW (특징 행렬 X 가중치 행렬) 현재 예제에서는 가중치 행렬의 필터 갯수를 6개로 했지만 보통 16인듯 AHW (인접행렬 X 특징 행렬 X 가중치 행렬) READOUT - Permutation Invariance 1번 그래프와 2번 그래프는 같은 그래프이지만 특징 행렬의 표현이 달라짐 그래프는 순서의 상관없이 같은 값이 나와야 함 마지막 H(특징 행렬)에 MLP를 적용해서 벡터로 만들어서 활성화 함수를 통과 Overall X → H(특징 행렬) A → A(인접 행렬) ### **Cora Dataset을 이용하여 GCN 논문 실습(Ensigner)** https://www.youtube.com/watch?v=..

2023.07.23 - [DeepLearning/Paper Riview] - GNN기반 추천 시스템 조사 - 논문 리뷰: Graph neural networks in recommender systems: a survey GNN기반 추천 시스템 조사 - 논문 리뷰: Graph neural networks in recommender systems: a survey https://arxiv.org/abs/2011.02260 Graph Neural Networks in Recommender Systems: A Survey With the explosive growth of online information, recommender systems play a key role to alleviate such info..