Neural Graph Collaborative Filtering 제4부 method

2 Methodology

• We now present the proposed NGCF model, the architecture of which is illustrated in Figure 2.
  이제 제안된 NGCF 모델을 제시하며, 그 아키텍처는 그림 2에 설명되어 있다.

• There are three componets in the frame work: (1) an embedding layer that offers and initialization of user embeddings and item embeddings; (2) multiple embedding propagation layers that refine the embeddings by injecting high-order cnnectivity relations; and (3) the prediction layer that aggregates the refined embeddings from diffenrent propagation layers and outputs the affinity score of a user-item pair.
  프레임 워크에는 세 가지 구성 요소가 있습니다 : (1) 사용자 임베딩 및 항목 임베딩을 제공하고 초기화하는 임베딩 계층; (2) 고차 연결 관계를 주입하여 임베딩을 구체화하는 다중 임베딩 전파 층; 및 (3) 상이한 전파 계층으로부터의 정제된 임베딩을 집계하고 사용자-아이템 쌍의 선호도 점수를 출력하는 예측 계층.

• Finallly, we discuss the time complexity of NGCF and the connections with existing methods.
  마지막으로, 우리는 NGCF의 시간 복잡성과 기존 방법과의 연결에 대해 논의한다.

An illustration of NGCF model architecture (the arrowed lines present the flow of information). The representations of user u1 (left) and item i4 (right) are refined with multiple embedding propagation layers, whose outputs are concatenated to make the final prediction.
NGCF 모델 아키텍처의 그림(화살표 선은 정보의 흐름을 나타냅니다). 사용자 u1(왼쪽) 및 항목 i4(오른쪽)의 표현은 최종 예측을 수행하기 위해 출력이 연결된 다중 임베딩 전파 계층으로 구체화됩니다.

2.1 Emvedding Layer

• Following mainstream recommender models [1, 14, 26], we describe a user u (an item i) with an embedding vector eu ∈ Rd (ei ∈ Rd ), where d denotes the embedding size.
  주류 추천자 모델 [1, 14, 26]에 따라, 우리는 임베딩 벡터 eu ∈ Rd (ei ∈ Rd)를 갖는 사용자 u (항목 i)를 설명하며, 여기서 d는 임베딩 크기를 나타낸다

• This can be seen as buliding a parameter matrix as an embedding look-up table:
  이것은 임베딩 룩업 테이블로 매개변수 행렬을 구축하는 것으로 볼 수 있습니다.

• It is worth noting that this embedding table serves as an initial state for user embeddings and item ebeddings, to be optimized in an end-to-end fachion.
  이 임베딩 테이블은 사용자 임베딩 및 항목 임베딩이 종단 간 방식으로 최적화되는 초기 상태 역할을 한다는 점은 주목할 가치가 있습니다.

• In traditional recommender models lke MF and neural collaborative filtering, these ID embeddings are directly fed into an interaction layer (or operator) to achieve the prediction score.
  MF 및 신경 협력 필터링[14]과 같은 기존 추천 모델에서 이러한 ID 임베딩은 예측 점수를 달성하기 위해 상호 작용 계층(또는 연산자)에 직접 공급됩니다.

• In contrast, in our NGCF framework, we refine the embeddings by propagating them on the user-item interaction graph.
  반면, NGCF 프레임워크에서는 임베딩을 사용자-항목 상호 작용 그래프에 전파하여 임베딩을 구체화합니다.

• This leads to more effective embeddings for recommendation, since the embedding refinement step explictly injects collaborative signal into embeddings.
  이는 임베딩 구체화 단계가 임베딩에 협업 신호를 명시적으로 주입하기 때문에 추천을 위한 보다 효과적인 임베딩으로 이어집니다.