圖卷積或者圖神經網路適合做推薦系統嗎?
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?
瞭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。
- Graph Convolutional Matrix Completion. 2017.
- Graph Convolutional Neural Networks for Web-Scale Recommender Systems. KDD 2018.
- Graph Contextualized Self-Attention Network for Session-based Recommendation. IJCAI 2019.
- Session-based Recommendation with Graph Neural Networks. AAAI 2019.
- Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems. KDD 2019.
- KGAT: Knowledge Graph Attention Network for Recommendation. KDD 2019.
- Knowledge Graph Convolutional Networks for Recommender Systems. WWW 2019.
- Graph Neural Networks for Social Recommendation. WWW 2019.
- Memory Augmented Graph Neural Networks for Sequential Recommendation. AAAI 2020.
- 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:
- 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
- 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
- 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
- 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: