最近在看相關資料，發現相關論文不是特別多，所以比較疑惑為什麼。是因為這個方向比較新，做的人還比較少呢，還是說相比其他深度學習方法（比如CNN）並沒有優勢，所以本身沒有研究價值呢？

了解這方面的大佬們能否簡單說一下

這方面論文挺多的啊。

你想，用戶-項目可以構成二部圖（Bipartite Graph），用戶與用戶之間可以構成社交網路（Social Network），項目與項目之間可以存在知識圖譜（Knowledge Graph），另外把這幾者都考慮進去可以構成異質圖（Heterogeneous Information Network），再把時間因素考慮進來而產生的動態演化而構成動態圖（Dynamic Graph）。

所以推薦系統中許多形式的數據都可以表示成圖，當然許多大佬自然而然的將強大的GNN應用到推薦領域了，以下列舉幾篇文獻，可以看看。

  1. Graph Convolutional Matrix Completion. 2017.
  2. Graph Convolutional Neural Networks for Web-Scale Recommender Systems. KDD 2018.
  3. Graph Contextualized Self-Attention Network for Session-based Recommendation. IJCAI 2019.
  4. Session-based Recommendation with Graph Neural Networks. AAAI 2019.
  5. Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems. KDD 2019.
  6. KGAT: Knowledge Graph Attention Network for Recommendation. KDD 2019.
  7. Knowledge Graph Convolutional Networks for Recommender Systems. WWW 2019.
  8. Graph Neural Networks for Social Recommendation. WWW 2019.
  9. Memory Augmented Graph Neural Networks for Sequential Recommendation. AAAI 2020.
  10. Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach. AAAI 2020.

看場景。

工業界的大數據集下，現在來看，基於u-i二部圖做圖神經網路還沒有比較好的落地。

work的一般使用i-i同構圖，輔助冷門item獲得更好的表達。

適合，並且也有一些落地的，學術界像韓家煒教授，中科大的何向南教授，北郵的石川教授等，都在做這方面，工業界像阿里有專門研究異構圖的團隊

首先回答：可以用，但是有很多需要優化的地方

只要是圖/網路數據，或者可以看作/構成圖/網路數據，都可以用基於圖的模型來處理。

推薦系統裡面user-item交互關係就可以看作一個圖，即，user和item分別看作節點，有交互就連一條邊。而且還可以融入user社交網路，item知識圖等，圖神經網路演算法的優點就是可以方便地融入大量的side information。

需要優化的地方，具體如下：

  1. 原本的圖卷積網路是針對同構圖的，而推薦裡面user和item其實是不同類型的節點，因此需要重新設計卷積聚合機制，也可以考慮異構圖神經網路
  2. 在很多實際的場景，user的數據量是遠大於item的，且存在user交互稀疏，item長尾的問題，所以圖中節點的度方差會特別大，可能需要引入鄰居採樣技術
  3. 原生的GCN直接輸入整個圖，會存在大規模問題，在實際場景更是要考慮數據量的問題，因此採樣、子圖訓練這些優化都是需要的
  4. 不同的推薦場景可能存在不同的side information，業務數據有不同的特點，需要針對性融入和優化

非常適合。

我們使用GNN構建用戶和ITEM之間的異構圖訓練，通過生成的embedding來推薦，在不少場景均有收益。

推薦閱讀：
相关文章