携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第31天，点击查看活动详情
深度学习在各个领域中均有应用, 深度学习的显著特点是通过搭建多层次的神经网络并且相互传递影响,通过各层神经网络的互相扩散,从而得到产品拥有良好学习表示能力。而传统的深度学习模型则是通过所使用的相关数据统计出潜在的用户特征向量和物品特征矢量,利用统计出的特征向量去预测该用户对其它物品的打分,再通过预测情况对该用户做出物品推荐。在提出图神经网络这一概念后，学术研究者通过实验发现可以；利用这个方法提取出用户与物品之间额外的连接特征，而传统的推荐算法则无法做到这个效果。
图神经网络定义(GNN)
图神经网络(Graph Neural Network ,GNN)的实现是基于卷积神经网络(Convolutional Neural Network,CNN)的设计思路和循环神经网络(Recurrent Neural Network,RNN)的设计思路通过完成的,同时它也是一个被再一次重新定义的深度学习算法。GNN模式融合了分层扩散学习与神经元排序的神经网络架构,充分地挖掘出了用户和物品中节点间的特征信息,并增加了图中节点的敏感度对数据特征进行提取算法, 最终通过学习模型捕获到的局部用户偏好的时空信息从而产生推荐序列。
图神经在推荐系统方面的应用
知识图谱提供很好的描述方法将现实生活中事物与事物联系转换为实体与实体之间的联系，最后多种不同类别的信息相结合组成庞大的信息网络，将其应用到推荐系统中后可以大幅度提高相关推荐系统的准确度。将GNN体系应用在知识图谱中计算用户与物品之间的嵌入，然后再与周围邻居的进行比较得到相似的用户，最后进行个性化推荐。由于互联网的普及，图神经网络处理的数据量也在稳步上涨，计算量级变得非常巨大，所以对于数据的处理对研究者来说也是一大挑战。
