GGNN

推薦系統(tǒng) 知識(shí)追蹤
每個(gè)session構(gòu)造一個(gè)有向圖,邊的權(quán)重歸一化退客,先把所有session的圖依次輸入GGNN骏融,然后就能得到所有節(jié)點(diǎn)的embedding表示
然后用這些節(jié)點(diǎn)來表示global preference和local interests,將他們組合就得到每個(gè)session的embedding 將長期表現(xiàn)(可以是學(xué)習(xí)能力)和當(dāng)前表現(xiàn)(最近表現(xiàn))組合在一起當(dāng)做當(dāng)前session的embedding
使用了利用門控信息來進(jìn)行更新的Gated Graph Neural Network(GGNN) 打算使用GCN
沒有使用用戶embedding萌狂,而是生成session embedding
通過GGNN生成node vector档玻,所有圖中的節(jié)點(diǎn)的embedding都是一樣的,節(jié)點(diǎn)表示物品
會(huì)話具有連續(xù)性 做題順序沒有連續(xù)性
把session graphs輸入到GGNN 把一段時(shí)間的做題情況輸入圖茫藏,生成這段時(shí)間圖的embedding误趴,前n-1個(gè)作為訓(xùn)練數(shù)據(jù),第n個(gè)作為預(yù)測(cè)數(shù)據(jù)务傲,用來訓(xùn)練
將每個(gè)session里前n-1個(gè)數(shù)據(jù)作為訓(xùn)練集凉当,預(yù)測(cè)最后一個(gè)點(diǎn)擊

node vector = node representation = node embedding

3.3 通過GGNN學(xué)習(xí)session里節(jié)點(diǎn)的node vector

更新節(jié)點(diǎn)過程:用到了門的概念


  1. 以前的基于會(huì)話的模型總是對(duì)用戶建模,但是我們根據(jù)node vector售葡,為每個(gè)session制造一個(gè)embedding看杭。將長期愛好和當(dāng)前會(huì)話的愛好組合形成embedding,作為當(dāng)前session的embedding挟伙。
    把所有的圖輸入GGNN楼雹,我們將獲得節(jié)點(diǎn)的向量,取最后一個(gè)作為Sl尖阔,然后根據(jù)solf-attention贮缅,獲得Sg,合并得到Sh介却。
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末谴供,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子筷笨,更是在濱河造成了極大的恐慌憔鬼,老刑警劉巖龟劲,帶你破解...
    沈念sama閱讀 211,743評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異轴或,居然都是意外死亡昌跌,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門照雁,熙熙樓的掌柜王于貴愁眉苦臉地迎上來蚕愤,“玉大人,你說我怎么就攤上這事饺蚊∑加眨” “怎么了?”我有些...
    開封第一講書人閱讀 157,285評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵污呼,是天一觀的道長裕坊。 經(jīng)常有香客問我,道長燕酷,這世上最難降的妖魔是什么籍凝? 我笑而不...
    開封第一講書人閱讀 56,485評(píng)論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮苗缩,結(jié)果婚禮上饵蒂,老公的妹妹穿的比我還像新娘。我一直安慰自己酱讶,他們只是感情好退盯,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,581評(píng)論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著泻肯,像睡著了一般渊迁。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上软免,一...
    開封第一講書人閱讀 49,821評(píng)論 1 290
  • 那天宫纬,我揣著相機(jī)與錄音,去河邊找鬼膏萧。 笑死漓骚,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的榛泛。 我是一名探鬼主播蝌蹂,決...
    沈念sama閱讀 38,960評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼曹锨!你這毒婦竟也來了孤个?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,719評(píng)論 0 266
  • 序言:老撾萬榮一對(duì)情侶失蹤沛简,失蹤者是張志新(化名)和其女友劉穎齐鲤,沒想到半個(gè)月后斥废,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,186評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡给郊,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,516評(píng)論 2 327
  • 正文 我和宋清朗相戀三年蔗崎,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了弄企。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,650評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡棚赔,死狀恐怖舌菜,靈堂內(nèi)的尸體忽然破棺而出奔则,到底是詐尸還是另有隱情先嬉,我是刑警寧澤泵肄,帶...
    沈念sama閱讀 34,329評(píng)論 4 330
  • 正文 年R本政府宣布,位于F島的核電站焕蹄,受9級(jí)特大地震影響逾雄,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜腻脏,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,936評(píng)論 3 313
  • 文/蒙蒙 一嘲驾、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧迹卢,春花似錦、人聲如沸徒仓。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽掉弛。三九已至症见,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間殃饿,已是汗流浹背谋作。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評(píng)論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留乎芳,地道東北人遵蚜。 一個(gè)月前我還...
    沈念sama閱讀 46,370評(píng)論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像奈惑,于是被迫代替她去往敵國和親吭净。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,527評(píng)論 2 349