最近在看相关资料，发现相关论文不是特别多，所以比较疑惑为什么。是因为这个方向比较新，做的人还比较少呢，还是说相比其他深度学习方法（比如CNN）并没有优势，所以本身没有研究价值呢？

了解这方面的大佬们能否简单说一下

这方面论文挺多的啊。

你想，用户-项目可以构成二部图（Bipartite Graph），用户与用户之间可以构成社交网路（Social Network），项目与项目之间可以存在知识图谱（Knowledge Graph），另外把这几者都考虑进去可以构成异质图（Heterogeneous Information Network），再把时间因素考虑进来而产生的动态演化而构成动态图（Dynamic Graph）。

所以推荐系统中许多形式的数据都可以表示成图，当然许多大佬自然而然的将强大的GNN应用到推荐领域了，以下列举几篇文献，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.

看场景。

工业界的大数据集下，现在来看，基于u-i二部图做图神经网路还没有比较好的落地。

work的一般使用i-i同构图，辅助冷门item获得更好的表达。

适合，并且也有一些落地的，学术界像韩家炜教授，中科大的何向南教授，北邮的石川教授等，都在做这方面，工业界像阿里有专门研究异构图的团队

首先回答：可以用，但是有很多需要优化的地方

只要是图/网路数据，或者可以看作/构成图/网路数据，都可以用基于图的模型来处理。

推荐系统里面user-item交互关系就可以看作一个图，即，user和item分别看作节点，有交互就连一条边。而且还可以融入user社交网路，item知识图等，图神经网路演算法的优点就是可以方便地融入大量的side information。

需要优化的地方，具体如下：

  1. 原本的图卷积网路是针对同构图的，而推荐里面user和item其实是不同类型的节点，因此需要重新设计卷积聚合机制，也可以考虑异构图神经网路
  2. 在很多实际的场景，user的数据量是远大于item的，且存在user交互稀疏，item长尾的问题，所以图中节点的度方差会特别大，可能需要引入邻居采样技术
  3. 原生的GCN直接输入整个图，会存在大规模问题，在实际场景更是要考虑数据量的问题，因此采样、子图训练这些优化都是需要的
  4. 不同的推荐场景可能存在不同的side information，业务数据有不同的特点，需要针对性融入和优化

非常适合。

我们使用GNN构建用户和ITEM之间的异构图训练，通过生成的embedding来推荐，在不少场景均有收益。

推荐阅读：
相关文章