/KGAT-pytorch-master

Knowledge Graph Attention Network

Primary LanguagePython

Knowledge Graph Attention Network

这是本文的PyTorch和DGL实现：

Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu and Tat-Seng Chua (2019). KGAT: Knowledge Graph Attention Network for Recommendation. Paper in ACM DL or Paper in arXiv. In KDD'19, Anchorage, Alaska, USA, August 4-8, 2019.

你可以点击 这里 找到论文作者的Tensorflow1.0的实现。 PyTorch和DGL实现代码改自这里 。

代码优点：

  • 整体框架搭建得很好，之后做实验也可以借鉴这个框架
  • 编程风格好，结构清晰，大致可分为参数、数据和模型三部分
  • 借用argparse编写了相对友好的命令行设置参数的接口
  • logging日志模块输出信息到控制台和文件
  • 在某个epoch达到一定效果时保存模型

代码缺点：

  • 大量重复的代码，显得臃肿
  • 测试集评估时，因为底层一些函数原因，把gpu中的张量放到cpu中执行，效率低
  • 一次性读取数据集，大量的全局变量，对内存和显存都不友好

介绍

知识图注意力网络（KGAT）是专门针对知识感知的个性化推荐量身定制的新推荐框架。KGAT建立在图神经网络框架之上，对协作知识图中的高阶关系进行了明确的建模，以提供更好的项目侧信息推荐。

如果您想在研究中使用代码和数据集，请联系论文作者，并引用以下论文作为参考：

@inproceedings{KGAT19,
  author    = {Xiang Wang and
               Xiangnan He and
               Yixin Cao and
               Meng Liu and
               Tat{-}Seng Chua},
  title     = {{KGAT:} Knowledge Graph Attention Network for Recommendation},
  booktitle = {{KDD}},
  pages     = {950--958},
  year      = {2019}
}

代码中做了大量注释，如果对本代码有疑问，请联系我：

@author: Kang Xiatao (kangxiatao@gmail.com)

环境

该代码已经过测试，可以在Python 3.8.5下运行。

所需的软件包如下：

  • torch == 1.7.1
  • dgl-cu101 == 0.5.3
  • numpy == 1.18.5
  • pandas == 1.1.3
  • sklearn == 0.23.2

运行

  • FM
python main_nfm.py --model_type fm --data_name amazon-book
  • NFM
python main_nfm.py --model_type nfm --data_name amazon-book
  • KGAT
python main_kgat.py --data_name amazon-book

数据集

作者提供了三个数据集：Amazon-book, Last-FM, and Yelp2018.

我爬取了豆瓣Top250制作了一个数据集：douban250

  • 作者用的是公开数据集，你能在这里找到完整的数据集 Amazon-book, Last-FM, Yelp2018.
  • 豆瓣的数据集可能因为过于稀疏的原因，训练效果很差，有时间再重新制作整理一次
Amazon-book Last-FM Yelp2018 douban250
User-Item Interaction Users 70,679 23,566 45,919 4,422
Items 24,915 48,123 45,538 250
Interactions 847,733 3,034,796 1,185,068 55000
Knowledge Graph Entities 88,572 58,266 90,961 None
Relations 39 9 42 None
Triplets 2,557,746 464,567 1,853,704 None

结果

原代码中用到了多GPU训练，因条件受限，BPRMF,ECFKG,CKE暂时没有测试结果

  • amazon-book数据集：
Model Valid Data Best Epoch Precision@20 Recall@20 NDCG@20
FM sample 1000 test users 65 0.014400000683963299 0.14490722119808197 0.07222465868746986
NFM sample 1000 test users 52 0.013500000350177288 0.13786590099334717 0.07123670123284831
KGAT all test users 39 0.014916915994618973 0.1414667212776353 0.07478134080605618
  • last-fm数据集：
Model Valid Data Best Epoch Precision@20 Recall@20 NDCG@20
FM sample 1000 test users 39 0.03400000184774399 0.0831719189882278 0.06556513877651045
NFM sample 1000 test users 65 0.03230000287294388 0.0825699120759964 0.06412929073269483
KGAT all test users 82 0.03326826841464287 0.08198051536362484 0.07016461076103524
  • yelp2018数据集：
Model Valid Data Best Epoch Precision@20 Recall@20 NDCG@20
FM sample 1000 test users 19 0.016450000926852226 0.06791889667510986 0.04011075919416859
NFM sample 1000 test users 17 0.014950000680983067 0.0635601356625557 0.03876655643191971
KGAT all test users 16 0.016048173102794366 0.06584655151793856 0.04193551918102937

相关论文