研究目标

学习user和item的向量表示是推荐系统的核心，但在从早期的矩阵分解，到现在的深度学习，都是利用已经存在的特征来进行embedding表示。本文认为，隐藏在user-item之间的编码信息无法在embedding编码的过程中表示出来，因此，由此产生的嵌入可能不足以捕获协作过滤效果。于是，提出了一个新的推荐框架Neural Graph Collaborative Filtering (NGCF) ，它可以在图结构中学习嵌入表示，让模型可以表达高维特征，显示地将协同过滤信号放入到嵌入过程中。

模型简介

假设用户为u，项目为i，我们可以画出user-item的二部图，同时根据二部图可以将u1的高维连接表示出来，如下图所示。

 对于整体的模型框架有三个主要的部分：

• embedding layer：提供初始的user embedding 和 item embedding
• multiple embedding propagation layers：通过注入高阶连接关系来细化嵌入
• the prediction layer:通过整合多层嵌入来预测（u，i）

embedding layer