MCNS

McNs

Arxiv

Entendendo a amostragem negativa no aprendizado de representação de gráficos.

Zhen Yang*, Ming Ding*, Chang Zhou, Hongxia Yang, Jingren Zhou, Jie Tang. (*Esses autores contribuíram igualmente para este trabalho.)

No KDD 2020 (faixa de pesquisa)

Introdução

Analisamos sistematicamente o papel da amostragem negativa das perspectivas do objetivo e do risco e quantificamos que a distribuição de amostragem negativa deve estar positiva, mas sub-linearamente, correlacionada à sua distribuição positiva de amostragem. Com a orientação da teoria, propomos MCNs, aproximando a distribuição positiva com aproximação de autocontraste e acelerando a amostragem negativa por metrópole-Hastings.

Preparação

• Python 3.7
• Tensorflow 1.14.0

Treinamento

Treinamento sobre os conjuntos de dados existentes

Para GraphSage:

Você pode usar $ ./experiments/graphsage/***.sh para treinar o modelo MCNS na tarefa de recomendação. Por exemplo, se você deseja treinar no conjunto de dados da Amazon, poderá executar $ ./experiments/graphsage/amazon.sh ou python main.py --input data/amazon/ --model graphsage_mean para treinar o modelo MCNS.

Para Deepwalk:

Você pode usar $ ./experiments/deepwalk/***.sh para treinar o modelo MCNS na tarefa de recomendação. Por exemplo, se você deseja treinar no conjunto de dados ML-100K, poderá executar $ ./experiments/deepwalk/ml.sh ou python main.py --input data/ml-100k/ --model deepwalk para treinar MCNS Model .

Para GCN:

Você pode usar $ ./experiments/gcn.sh para treinar o modelo MCNS no conjunto de dados ML-100K para tarefa de recomendação.

Treinamento em seus próprios conjuntos de dados

Se você deseja treinar o MCNS no seu próprio conjunto de dados, prepare os quatro arquivos a seguir:

• TRIN.TXT: Cada linha representa uma borda <node1> <node2> .
• Valid.txt: O mesmo formato com Train.txt
• test.txt: o mesmo formato com o Train.txt
• test_neg.txt: Para cada nó, selecionamos alguns nós desconectados como Negs para avaliação. Para os conjuntos de dados da Amazon e Alibaba, selecionamos 500 Negs e todos os NEGs desconectados para ML-100K para avaliar hits@k e mrr. (generated by load_data.py/load_test_neg function).

Conjunto de dados

• ML-100K contém 943 usuários, 1.682 itens e 100.000 arestas.
• A Amazon contém 192.403 usuários, 63.001 itens e 1.689.188 arestas.
• O Alibaba contém 106.042 usuários, 53591 itens e 907.470 arestas.

Reconhecimento

O codificador treinável do nosso código é baseado no GraphSage.

Citar

Cite nosso artigo se achar este código útil para sua pesquisa:

 @misc{yang2020understanding,
Author = {Zhen Yang and Ming Ding and Chang Zhou and Hongxia Yang and Jingren Zhou and Jie Tang},
Title = {Understanding Negative Sampling in Graph Representation Learning},
Year = {2020},
Eprint = {arXiv:2005.09863},
}