MCNS

MCNS

arxiv

了解图表学习中的负采样。

Zhen Yang*，Ming ding*，Chang Zhou，Hongxia Yang，Jingren Zhou，Jie Tang。 （*这些作者为这项工作做出了同样的贡献。）

在KDD 2020（研究轨道）

介绍

我们从客观和风险的角度系统地分析了负抽样的作用，并量化了负抽样分布应积极地但与它们的阳性采样分布相关。在理论的指导下，我们提出了MCN，以自我对比近似和大都会危机加速阴性采样来近似阳性分布。

准备

• Python 3.7
• TensorFlow 1.14.0

训练

在现有数据集上进行培训

用于图形：

您可以使用$ ./experiments/graphsage/***.sh进行推荐任务培训MCNS模型。例如，如果您想在亚马逊数据集上训练，则可以运行$ ./experiments/graphsage/amazon.sh或python main.py --input data/amazon/ --model graphsage_mean to训练MCNS模型。

对于深条小径：

您可以使用$ ./experiments/deepwalk/***.sh来培训MCNS模型，以实现推荐任务。例如，如果您想在ML-100K数据集上训练，则可以运行$ ./experiments/deepwalk/ml.sh deepwalk/ml.sh或python main.py --input data/ml-100k/ --model deepwalk来训练MCNS模型。

对于GCN：

您可以使用$ ./experiments/gcn.sh在ML-100K数据集上训练MCNS模型进行推荐任务。

在您自己的数据集上培训

如果您想在自己的数据集中培训MCN，则应准备以下四个文件：

• train.txt：每行代表边缘<node1> <node2> 。
• 有效.txt：train.txt的相同格式
• test.txt：train.txt的相同格式
• test_neg.txt：对于每个节点，我们选择一些无连接的节点作为评估的负。对于亚马逊和阿里巴巴数据集，我们选择了500个否定者，所有无连接的负面因素用于ML-100K来评估hits@k和mrr。 (generated by load_data.py/load_test_neg function).

数据集

• ML-100K包含943位用户，1,682个项目和100,000个边缘。
• 亚马逊包含192,403位用户，63,001个项目和1,689,188个边缘。
• 阿里巴巴包含106,042位用户，53591个项目和907,470个边缘。

致谢

我们代码的可训练编码器基于图形。

引用

如果您发现此代码对您的研究有用，请引用我们的论文：

 @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},
}