【源码】基于TensorFlow的图神经网络协同过滤推荐系统MGDCF

项目简介

本项目聚焦于论文 "MGDCF: Distance Learning via Markov Graph Diffusion for Neural Collaborative Filtering" 的复现与改进，实现了MGDCF的TensorFlow版本。在原论文基础上做出了三点创新，旨在验证排序损失InfoBPR函数的泛化性，探究其在不同数据和模型上的有效性，并得出最优排序损失函数应根据不同数据集和模型特征选择的结论。

项目的主要特性和功能

1. 模型对比实验：增加LightGCN - InfoBPR、DropEdge - InfoBPR等模型实验对照组，验证InfoBPR函数的泛化性。
2. 负样本数量调整：更改计算InfoBPR时的负样本数量，验证其在不同数据和模型上的有效性，在异构MGDN、同构MGDN上均有一定提升。
3. 结论提出：指出最优排序损失函数Loss_Rank应根据不同数据集、不同模型的特征进行选择，采用更多负样本数量的InfoBPR在某些情况下不一定优于BPR的效果。
4. 模型实现：实现了MGDCF框架，包含同构MGDN、异构MGDN、部分GNN模型。

安装使用步骤

环境要求

• Linux系统
• Python 3.10.12
• tensorflow == 2.15.0
• tf_geometric == 0.1.6
• tf_sparse == 0.0.17
• grecx == 0.0.8
• tqdm = 4.66.4

安装依赖

下载项目源码文件后，可使用requirement.txt文件安装环境依赖，命令如下： bash pip install -r requirement.txt

运行项目

方式一：使用脚本运行

shell cd scripts sh ${DATASET}/$SCRIPT_NAME 例如： shell cd scripts sh amazon - book/HeteroMGDCF_yelp.sh

方式二：命令行直接执行

shell python -u cf_task_handle.py ${DATASET} ${Other parameters needed}

方式三：在Colab平台运行

项目支持在colab平台的jupyter notebook上执行（其T4 GPU运行时满足本项目的大部分环境），点击下面的链接即可打开： Open In Colab

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】