Session-based-Recommendation-with-Graph-Attention-Networks/GAT-SAGPOOL-RAPORT.html at main · karolbystrek/Session-based-Recommendation-with-Graph-Attention-Networks · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
<!DOCTYPE html>
<html lang="pl">
<head>
  <meta charset="UTF-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <title>GAT-SAGPool — raport projektu</title>
  <style>
    :root {
      --bg: #f8fafc;
      --card: #ffffff;
      --text: #1e293b;
      --muted: #64748b;
      --accent: #2563eb;
      --accent2: #d97706;
      --border: #e2e8f0;
      --good: #16a34a;
      --bad: #dc2626;
    }
    * { box-sizing: border-box; }
    body {
      font-family: "Segoe UI", system-ui, sans-serif;
      line-height: 1.65;
      color: var(--text);
      background: var(--bg);
      margin: 0;
      padding: 0;
    }
    header {
      background: linear-gradient(135deg, #1e3a5f 0%, #2563eb 100%);
      color: #fff;
      padding: 2.5rem 2rem;
    }
    header h1 { margin: 0 0 0.5rem; font-size: 1.85rem; }
    header p { margin: 0; opacity: 0.92; max-width: 52rem; }
    main { max-width: 920px; margin: 0 auto; padding: 2rem 1.25rem 4rem; }
    section {
      background: var(--card);
      border: 1px solid var(--border);
      border-radius: 10px;
      padding: 1.5rem 1.75rem;
      margin-bottom: 1.5rem;
    }
    h2 {
      font-size: 1.25rem;
      margin: 0 0 1rem;
      color: #0f172a;
      border-bottom: 2px solid var(--accent);
      padding-bottom: 0.35rem;
    }
    h3 { font-size: 1.05rem; margin: 1.25rem 0 0.5rem; color: #334155; }
    p { margin: 0.6rem 0; }
    ul, ol { margin: 0.5rem 0; padding-left: 1.35rem; }
    li { margin: 0.35rem 0; }
    .muted { color: var(--muted); font-size: 0.92rem; }
    .tag {
      display: inline-block;
      font-size: 0.75rem;
      font-weight: 600;
      padding: 0.15rem 0.55rem;
      border-radius: 999px;
      margin-right: 0.35rem;
    }
    .tag-paper { background: #e2e8f0; color: #475569; }
    .tag-ours { background: #fef3c7; color: #92400e; }
    .tag-gat { background: #dbeafe; color: #1d4ed8; }
    figure {
      margin: 1.25rem 0;
      text-align: center;
    }
    figure img {
      max-width: 100%;
      height: auto;
      border: 1px solid var(--border);
      border-radius: 8px;
      background: #fff;
    }
    figcaption {
      font-size: 0.85rem;
      color: var(--muted);
      margin-top: 0.5rem;
      text-align: left;
    }
    table {
      width: 100%;
      border-collapse: collapse;
      font-size: 0.9rem;
      margin: 1rem 0;
    }
    th, td {
      border: 1px solid var(--border);
      padding: 0.45rem 0.6rem;
      text-align: left;
    }
    th { background: #f1f5f9; font-weight: 600; }
    .up { color: var(--good); font-weight: 600; }
    .down { color: var(--bad); font-weight: 600; }
    .flow {
      background: #f1f5f9;
      border-radius: 8px;
      padding: 1rem 1.25rem;
      font-family: Consolas, monospace;
      font-size: 0.82rem;
      line-height: 1.5;
      overflow-x: auto;
      white-space: pre;
    }
    .callout {
      border-left: 4px solid var(--accent2);
      background: #fffbeb;
      padding: 0.75rem 1rem;
      margin: 1rem 0;
      border-radius: 0 8px 8px 0;
    }
    nav.toc {
      background: #f1f5f9;
      padding: 1rem 1.25rem;
      border-radius: 8px;
      margin-bottom: 1.5rem;
    }
    nav.toc ol { margin: 0; }
    nav.toc a { color: var(--accent); text-decoration: none; }
    nav.toc a:hover { text-decoration: underline; }
    footer {
      text-align: center;
      font-size: 0.85rem;
      color: var(--muted);
      padding: 2rem 1rem;
    }
  </style>
</head>
<body>

<header>
  <h1>GAT-SAGPool — raport z notebooka i treningu</h1>
  <p>Session-based recommendation z grafem kliknięć, enkoderem GAT i autorskim readoutem SAGPool. Prosty opis całego podejścia, faz ulepszeń i wyników w porównaniu z modelami z literatury.</p>
</header>

<main>

<nav class="toc">
  <strong>Spis treści</strong>
  <ol>
    <li><a href="#cel">O co chodzi w projekcie</a></li>
    <li><a href="#trzy">Trzy notebooki — SR-GNN, TAGNN, SAGPool</a></li>
    <li><a href="#sagpool-czym">Czym jest SAGPool i po co go zrobiliśmy</a></li>
    <li><a href="#jak">Jak działa GAT-SAGPool krok po kroku</a></li>
    <li><a href="#fazy">Fazy ulepszania modelu</a></li>
    <li><a href="#wyniki">Wyniki i wykresy</a></li>
    <li><a href="#wnioski">Wnioski</a></li>
  </ol>
</nav>

<!-- 1 -->
<section id="cel">
  <h2>1. O co chodzi w projekcie</h2>
  <p>Badamy <strong>rekomendacje w sesji zakupowej</strong>: użytkownik klika produkty po kolei (bez logowania), a system ma <strong>zgadnąć następny produkt</strong>, który prawdopodobnie kliknie. To nie prognoza sprzedaży — to przewidywanie <em>kolejnego elementu z historii</em>.</p>
  <p>Każda sesja zamieniana jest w <strong>graf</strong>: węzły to produkty, krawędzie to kolejne przejścia między kliknięciami. Na grafie działa sieć neuronowa, która uczy się „rozumieć” sesję i ocenia wszystkie znane produkty — prawdziwy następny ma dostać wysoki wynik.</p>
  <p><strong>Główne pytanie badawcze:</strong> czy zamiast klasycznego enkodera grafowego (GGNN z artykułów) lepiej sprawdzi się <strong>GAT</strong> (Graph Attention Network — sieć z wagami uwagi na sąsiadach)? I czy wynik zależy od tego, <strong>jak na końcu składamy graf w jeden opis sesji</strong> (readout)?</p>
  <p>Datasety: <strong>Yoochoose 1/64</strong> i <strong>Diginetica</strong>. Metryki: <strong>Precision@20</strong> (czy trafienie jest w top-20 rekomendacji) i <strong>MRR@20</strong> (jak wysoko na liście — im wyżej, tym lepiej).</p>
</section>

<!-- 2 -->
<section id="trzy">
  <h2>2. Trzy notebooki — dwa z literatury, jeden autorski</h2>
  <p>W projekcie są trzy gałęzie. Wspólne: ten sam sposób czyszczenia danych, budowy grafu sesji i (u nas) enkoder <strong>GAT</strong> zamiast GGNN z oryginalnych prac. Różnią się <strong>drugą częścią modelu</strong> — sposobem złożenia węzłów grafu w jeden wektor sesji.</p>

  <table>
    <thead>
      <tr>
        <th>Notebook</th>
        <th>Źródło</th>
        <th>Co zmieniliśmy</th>
        <th>Po co</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td><code>gat_sr_gnn_architecture.ipynb</code></td>
        <td><span class="tag tag-paper">SR-GNN</span> artykuł naukowy</td>
        <td>GGNN → <strong>GAT</strong>; readout SR-GNN bez zmian</td>
        <td>Sprawdzić, czy GAT poprawia wynik przy <em>klasycznym</em> opisie sesji (uwaga globalna + ostatnie kliknięcie)</td>
      </tr>
      <tr>
        <td><code>gat_tagnn_architecture.ipynb</code></td>
        <td><span class="tag tag-paper">TAGNN</span> artykuł naukowy</td>
        <td>GGNN → <strong>GAT</strong>; readout TAGNN bez zmian</td>
        <td>Sprawdzić GAT z <em>uwagą zależną od kandydata</em> — opis sesji zmienia się w zależności od ocenianego produktu</td>
      </tr>
      <tr>
        <td><code>gat_sagpool_architecture.ipynb</code></td>
        <td><span class="tag tag-ours">autorski</span> GAT + SAGPool</td>
        <td>Inny readout: <strong>SAGPool</strong> zamiast SR-GNN/TAGNN</td>
        <td>Przetestować w pełni „uwagowy” pipeline: GAT na węzłach + pooling wybierający ważne węzły — nasz pomysł eksploracyjny</td>
      </tr>
    </tbody>
  </table>

  <h3>Krótko: czym różnią się readouty</h3>
  <ul>
    <li><strong>SR-GNN:</strong> jeden wektor sesji = ostatnie kliknięcie + ważona suma wszystkich pozycji w prefiksie. Ten sam wektor dla wszystkich produktów-kandydatów.</li>
    <li><strong>TAGNN:</strong> najpierw szkic sesji, potem dla <em>każdego</em> kandydata osobna uwaga — „czy ta sesja pasuje do tego produktu?”.</li>
    <li><strong>SAGPool (nasz):</strong> model ocenia węzły grafu, zostawia część „najważniejszych”, robi z nich zwięzły opis całej sesji + dokleja sygnał ostatniego kliknięcia.</li>
  </ul>

  <figure>
    <img src="report-assets/sagpool/compare_all_models_yoochoose_164.png" alt="Porównanie modeli Yoochoose">
    <figcaption>Rys. 1 — Yoochoose 1/64: wyniki z artykułów (szary), nasze GAT-SR-GNN / GAT-TAGNN (niebieski), najlepszy GAT-SAGPool (zielony). Jesteśmy blisko literatury, ale TAGNN (paper i nasz) wygrywa na P@20.</figcaption>
  </figure>
  <figure>
    <img src="report-assets/sagpool/compare_all_models_diginetica.png" alt="Porównanie modeli Diginetica">
    <figcaption>Rys. 2 — Diginetica: tu luka jest większa — GAT-TAGNN najbliżej wyników z papieru; SAGPool wyraźnie słabszy.</figcaption>
  </figure>
</section>

<!-- 3 -->
<section id="sagpool-czym">
  <h2>3. Czym jest SAGPool i po co go zrobiliśmy</h2>
  <div class="callout">
    <strong>SAGPool</strong> (Self-Attention Graph Pooling) pochodzi z literatury o grafach ogólnie — my <strong>połączyliśmy go po raz pierwszy w tym projekcie</strong> z pipeline’em sesji jak w SR-GNN/TAGNN + enkoder GAT. To nie gotowy model z jednej pracy o rekomendacjach — to <strong>nasza autorska trzecia gałąź</strong>.
  </div>
  <p><strong>Cel architektury:</strong> sprawdzić, czy zamiast readoutu z SR-GNN lub TAGNN można użyć mechanizmu, który <strong>sam wybiera najważniejsze węzły</strong> w grafie sesji i z nich buduje opis — spójnie z ideą „wszystko na uwadze”, bez osobnej fazy target-aware jak w TAGNN.</p>
  <p><strong>Charakterystyka SAGPool w naszym wariancie:</strong></p>
  <ul>
    <li>Każdy węzeł (produkt w prefiksie) dostaje <strong>ocenę ważności</strong>.</li>
    <li>Zostaje tylko <strong>top frakcja</strong> węzłów (u nas domyślnie 70% — parametr <code>sagpool_ratio</code>).</li>
    <li>Z pozostałych liczymy <strong>średnią i maksimum</strong> embeddingów → opis „całej sesji”.</li>
    <li>Pooling <strong>nie pamięta kolejności</strong> kliknięć — dlatego <strong>jawnie dokładamy embedding ostatniego kliknięcia</strong> (sygnał „co user zrobił na końcu”).</li>
    <li>Na końcu ten opis sesji porównujemy z embeddingami wszystkich produktów ze słownika (jak w pozostałych notebookach).</li>
  </ul>
</section>

<!-- 4 -->
<section id="jak">
  <h2>4. Jak działa GAT-SAGPool — krok po kroku</h2>
  <p>Poniżej przepływ danych w notebooku <code>gat_sagpool_architecture.ipynb</code>. Zakładamy, że nie znasz szczegółów ML — chodzi o <em>logiczną kolejność</em>.</p>

  <h3>Etap A — dane wejściowe</h3>
  <ol>
    <li>Bierzemy logi kliknięć (Yoochoose / Diginetica).</li>
    <li>Usuwamy za krótkie sesje i zbyt rzadkie produkty.</li>
    <li>Dzielimy dane <strong>czasowo</strong> (starsze = trening, nowsze = test).</li>
    <li>Z sesji <code>[A, B, C, D]</code> robimy wiele przykładów: <code>[A]→B</code>, <code>[A,B]→C</code>, <code>[A,B,C]→D</code>.</li>
  </ol>

  <h3>Etap B — graf sesji</h3>
  <p>Prefiks <code>[A, B, C]</code> → graf: węzły = unikalne produkty {A, B, C}, krawędzie = przejścia w kolejności kliknięć (w przód i w tył). Powtarzające się produkty w prefiksie to ten sam węzeł.</p>

  <h3>Etap C — enkoder GAT (wspólny pomysł ze wszystkimi trzema notebookami)</h3>
  <ol>
    <li>Każdy produkt ma wektor liczb (embedding) — uczy się w treningu.</li>
    <li><strong>GAT w przód:</strong> węzeł zbiera sygnał od sąsiadów z wagami uwagi („które przejście ważniejsze”).</li>
    <li><strong>GAT w tył:</strong> to samo po odwróconych krawędziach.</li>
    <li>Wyniki obu kierunków sklejamy i redukujemy do jednego wektora na węzeł (wymiar 100).</li>
  </ol>
  <p>To zamiana GGNN z oryginalnych artykułów — reszta protokołu (metryki, podział danych) zostaje podobna.</p>

  <h3>Etap D — readout SAGPool (tylko w tym notebooku)</h3>
  <div class="flow">prefiks sesji
    → graf (węzły + krawędzie)
    → GAT (forward + backward) → embeddingi węzłów
    ├─→ [ścieżka A] ostatnie kliknięcie: wektor „co na końcu”
    └─→ [ścieżka B] SAGPool:
           ocena ważności każdego węzła
           → zostaw top 70% węzłów
           → średnia + max po węzłach = opis całej sesji
    → sklejka (opis z poolingu + ostatnie kliknięcie)
    → iloczyn z macierzą wszystkich produktów = wynik dla każdego kandydata
    → uczymy: prawdziwy następny produkt ma mieć najwyższy wynik</div>

  <h3>Etap E — trening i ocena</h3>
  <ul>
    <li>Optymalizator Adam, uczenie przez wiele epok, wczesne zatrzymanie gdy walidacja przestaje rosnąć.</li>
    <li>Wybór najlepszego checkpointu po <strong>MRR@20 na walidacji</strong>.</li>
    <li>Metryki końcowe liczone na zbiorze testowym (nigdy nie widzianym w treningu).</li>
  </ul>
</section>

<!-- 5 -->
<section id="fazy">
  <h2>5. Fazy ulepszania GAT-SAGPool</h2>
  <p>Model nie trenowaliśmy „raz i koniec”. Poniżej chronologia — co próbowaliśmy i jaki był efekt na <strong>zbiorze testowym</strong>.</p>

  <table>
    <thead>
      <tr><th>Faza</th><th>Co zmieniliśmy</th><th>Yoochoose (P@20 / MRR)</th><th>Diginetica (P@20 / MRR)</th><th>Efekt</th></tr>
    </thead>
    <tbody>
      <tr>
        <td><strong>Baseline</strong></td>
        <td>Pierwszy działający SAGPool: ratio=0.5, 1 warstwa GAT</td>
        <td>70.04 / 30.90</td>
        <td>50.28 / 16.66</td>
        <td>Punkt odniesienia</td>
      </tr>
      <tr>
        <td><strong>Workstream A</strong></td>
        <td>Inny harmonogram LR (cosine, więcej epok)</td>
        <td>69.02 / 29.56</td>
        <td>47.10 / 14.98</td>
        <td class="down">Pogorszenie — odrzucone</td>
      </tr>
      <tr>
        <td><strong>Workstream B</strong></td>
        <td>Implementacja readoutu + pierwszy pełny run</td>
        <td>70.36 / 30.94</td>
        <td>50.36 / 16.83</td>
        <td>Lekka poprawa vs baseline</td>
      </tr>
      <tr>
        <td><strong>Phase 2B</strong> (sweep)</td>
        <td>8 wariantów architektury — tylko Yoochoose; najlepszy: <code>ratio=0.7</code></td>
        <td><strong>70.42 / 31.16</strong></td>
        <td>—</td>
        <td class="up">Najlepszy SAGPool na Yoochoose</td>
      </tr>
      <tr>
        <td><strong>Phase 3C</strong> (sweep)</td>
        <td>Regularyzacja — tylko Diginetica (pojedyncze warianty)</td>
        <td>—</td>
        <td>~49–50 / ~16.2–16.6</td>
        <td>Bez przełomu; combo / label smoothing — błąd runu</td>
      </tr>
      <tr>
        <td><strong>Run 1</strong></td>
        <td>ratio=0.7 + 2 warstwy GAT, oba datasety</td>
        <td>70.18 / 31.01</td>
        <td><strong>50.47 / 16.85</strong></td>
        <td>Diginetica: najlepszy pełny run; Yoo: gorszy niż sam ratio=0.7 ze sweepu</td>
      </tr>
      <tr>
        <td><strong>Run 2</strong></td>
        <td>Run 1 + regularyzacja tylko na Diginetica (dropout, emb. dropout, wd)</td>
        <td>70.27 / 31.08</td>
        <td>48.77 / 15.86</td>
        <td class="down">Diginetica gorzej; Run 2 odrzucony</td>
      </tr>
    </tbody>
  </table>

  <figure>
    <img src="report-assets/sagpool/sagpool_phases_yoochoose_164.png" alt="Fazy SAGPool Yoochoose">
    <figcaption>Rys. 3 — Yoochoose: kolejne fazy vs linie TAGNN z papieru (przerywane). Widać spadek po Workstream A i powrót blisko baseline’ów po Phase 2B / Run 1.</figcaption>
  </figure>
  <figure>
    <img src="report-assets/sagpool/sagpool_phases_diginetica.png" alt="Fazy SAGPool Diginetica">
    <figcaption>Rys. 4 — Diginetica: Run 1 najlepszy dla SAGPool; Run 2 (regularyzacja) wyraźnie poniżej. TAGNN z papieru (~51.3 / 17.35) nadal poza zasięgiem.</figcaption>
  </figure>

  <h3>Phase 2B — szczegóły (architektura, Yoochoose)</h3>
  <p>Testowaliśmy m.in.: głębszy GAT (2 warstwy), więcej głów uwagi, hierarchiczny SAGPool (2 bloki), różne <code>ratio</code>, scorer GAT zamiast GraphConv, większy hidden, gated readout.</p>
  <ul>
    <li><strong>Zysk:</strong> <code>ratio=0.7</code> — mniej agresywne obcinanie węzłów (+0.38 P@20 vs baseline).</li>
    <li><strong>Neutralne:</strong> 2 bloki SAGPool, 2 warstwy GAT — marginalnie.</li>
    <li><strong>Strata:</strong> hidden=128 — gorzej na teście.</li>
  </ul>
  <figure>
    <img src="report-assets/sagpool/phase2b_sweep_yoochoose.png" alt="Phase 2B sweep">
    <figcaption>Rys. 5 — wszystkie warianty Phase 2B na Yoochoose; <code>b4_ratio07</code> na szczycie.</figcaption>
  </figure>

  <h3>Phase 3C — regularyzacja (Diginetica)</h3>
  <p>Cel: zmniejszyć overfit (walidacja ~19.3 MRR, test ~16.8). Pojedyncze techniki (dropout, edge dropout, weight decay) <strong>nie poprawiły</strong> testu względem Run 1; połączenie w Run 2 <strong>pogorszyło</strong>.</p>
  <figure>
    <img src="report-assets/sagpool/phase3c_sweep_diginetica.png" alt="Phase 3C sweep">
    <figcaption>Rys. 6 — Phase 3C: żaden wariant nie zbliżył się do Run 1 ani TAGNN.</figcaption>
  </figure>

  <h3>Run 1 vs Run 2</h3>
  <figure>
    <img src="report-assets/sagpool/run1_vs_run2_diginetica.png" alt="Run1 vs Run2 Diginetica">
    <figcaption>Rys. 7 — Diginetica: Run 2 (~−1.7 P@20, ~−1.0 MRR) — regularyzacja nie pomogła.</figcaption>
  </figure>
  <figure>
    <img src="results-sagpool-run1/gat_sagpool_v2_metrics.png" alt="Metryki Run 1">
    <figcaption>Rys. 8 — krzywe treningu Run 1 (<code>gat_sagpool_v2</code>): walidacja vs epoki.</figcaption>
  </figure>
  <figure>
    <img src="results-sagpool-run2/gat_sagpool_v2_digi_reg_metrics.png" alt="Metryki Run 2">
    <figcaption>Rys. 9 — krzywe treningu Run 2 (<code>gat_sagpool_v2_digi_reg</code>).</figcaption>
  </figure>
</section>

<!-- 6 -->
<section id="wyniki">
  <h2>6. Wyniki końcowe — najlepszy SAGPool vs reszta</h2>

  <table>
    <thead>
      <tr>
        <th>Model</th>
        <th>Dataset</th>
        <th>P@20</th>
        <th>MRR@20</th>
        <th>Uwagi</th>
      </tr>
    </thead>
    <tbody>
      <tr><td>SR-GNN (paper)</td><td>Yoochoose</td><td>70.57</td><td>30.94</td><td>literatura</td></tr>
      <tr><td>TAGNN (paper)</td><td>Yoochoose</td><td>71.02</td><td>31.12</td><td>literatura</td></tr>
      <tr><td>GAT-SR-GNN (nasz)</td><td>Yoochoose</td><td>70.12</td><td><strong>31.15</strong></td><td>readout SR-GNN + GAT</td></tr>
      <tr><td>GAT-TAGNN (nasz)</td><td>Yoochoose</td><td><strong>70.61</strong></td><td>31.00</td><td>readout TAGNN + GAT</td></tr>
      <tr><td><strong>GAT-SAGPool (best)</strong></td><td>Yoochoose</td><td>70.42</td><td>31.16</td><td>sweep ratio=0.7</td></tr>
      <tr><td colspan="5"></td></tr>
      <tr><td>SR-GNN (paper)</td><td>Diginetica</td><td>50.73</td><td>17.59</td><td>literatura</td></tr>
      <tr><td>TAGNN (paper)</td><td>Diginetica</td><td>51.31</td><td>18.03</td><td>literatura</td></tr>
      <tr><td>GAT-SR-GNN (nasz)</td><td>Diginetica</td><td>50.25</td><td>16.65</td><td></td></tr>
      <tr><td>GAT-TAGNN (nasz)</td><td>Diginetica</td><td><strong>51.25</strong></td><td><strong>17.35</strong></td><td>najlepszy u nas</td></tr>
      <tr><td><strong>GAT-SAGPool (best)</strong></td><td>Diginetica</td><td>50.47</td><td>16.85</td><td>Run 1</td></tr>
    </tbody>
  </table>

  <p><strong>Podsumowanie liczb:</strong> na Yoochoose SAGPool jest <em>blisko</em> wyników z papierów i naszych GAT-SR-GNN / GAT-TAGNN (różnice rzędu 0.2–0.6 pkt). Na Diginetica <strong>GAT-TAGNN</strong> jest najbliżej literatury; SAGPool zostaje ~0.8–1.5 pkt za TAGNN. <strong>Nie pobiliśmy</strong> wyników referencyjnych — ale nie jesteśmy daleko na łatwiejszym zbiorze.</p>
</section>

<!-- 7 -->
<section id="wnioski">
  <h2>7. Wnioski</h2>
  <ol>
    <li><strong>GAT-SAGPool to sensowna, autorska trzecia ścieżka</strong> — ten sam graf i GAT co w pozostałych notebookach, inny readout oparty o wybór ważnych węzłów (SAGPool).</li>
    <li><strong>Readout ma duże znaczenie.</strong> TAGNN (uwaga zależna od kandydata) wygrywa na Diginetica. SAGPool bez target-aware mechanizmu ma trudniej na trudniejszym zbiorze.</li>
    <li><strong>Najważniejsza poprawka architektury:</strong> <code>sagpool_ratio=0.7</code> (mniej obcinania węzłów niż 0.5). Głębszy GAT (2 warstwy) w pełnym runie nie powtórzył najlepszego wyniku ze sweepu.</li>
    <li><strong>Regularyzacja (Run 2) na Diginetica nie pomogła</strong> — test spadł. Plan GPU dla SAGPool zamknięty po Run 1 + Run 2.</li>
    <li><strong>Cel „pobić TAGNN i SR-GNN” nie został spełniony</strong>, ale na Yoochoose jesteśmy w tym samym przedziale co modele z literatury — co uzasadnia wniosek, że GAT + sensowny readout daje wyniki porównywalne, a wybór readoutu warto badać dalej.</li>
    <li>Do prezentacji / pracy cytuj: <strong>Yoochoose</strong> — SAGPool 70.42 / 31.16 (Phase 2B); <strong>Diginetica</strong> — SAGPool 50.47 / 16.85 (Run 1). Porównanie z GAT-TAGNN: 51.25 / 17.35.</li>
  </ol>
</section>

</main>

<footer>
  <p>Notebook: <code>gat_sagpool_architecture.ipynb</code> · Wykresy: <code>python scripts/generate_sagpool_report_charts.py</code> → <code>report-assets/sagpool/</code></p>
  <p>Projekt: Session-based Recommendation with Graph Attention Networks</p>
</footer>

</body>
</html>