图神经网络在推荐系统中的应用

2022年由阿里巴巴和北京大学发表的论文《Graph Neural Networks in Recommender Systems: A Survey》对图神经网络在推荐系统中的应用进行综述。论文将应用划分为5类：用户物品协同过滤（User-Item Collaborative Filtering），行为序列推荐（Sequential Recommendation），社交关系推荐（Social Recommendation），知识图谱推荐（Knowledge Graph Based Recommendation），以及其他类型的应用。

用户物品协同过滤（User-Item Collaborative Filtering）的整体框架如图1所示，其基于用户、物品的已有交互构建用户和物品交互的二分图，再基于该二分图通过图神经网络计算用户和物品的表征$h_u^*$、$h_i^*$，最后基于用户和物品的表征进行预测，召回用户感兴趣的物品作为推荐结果。

行为序列推荐（Sequential Recommendation）的整体框架如图2所示，其基于用户行为序列构建行为序列图，图中每个节点表示用户已交互的某个物品，两个节点的有向关系表示用户先与源点物品发生交互，接着再与终点物品发生交互，然后基于序列图通过图神经网络计算序列中每个节点所对应物品的表征，再基于每个节点所对应物品的表征，通过序列建模（例如RNN）计算行为序列的表征$h_s^*$，最后基于行为序列表征进行预测，召回用户下一次交互感兴趣的物品作为推荐结果。

社交关系推荐（Social Recommendation）中，通过使用用户之间的社交关系（例如关注）增强推荐的两种方式如图3所示。第一种方式将用户之间的社交关系作为单独的图通过图神经网络计算用户基于社交关系的表征$h_u^S$，另外，基于用户和物品交互的二分图，通过图神经网络计算用户和物品的表征$h_u^I$、$h_i^*$，然后将$h_u^S$和$h_u^I$合并作为最终用户的表征$h_u^*$，最后基于用户和物品的表征进行预测，召回用户感兴趣的物品作为推荐结果。第二种方式直接在图的层面将用户之间的社交关系、用户和物品之间的交互合并，构建成统一的图，再基于该图，通过图神经网络计算用户和物品的表征$h_u^*$、$h_i^*$，最后基于用户和物品的表征进行预测，召回用户感兴趣的物品作为推荐结果。

知识图谱推荐（Knowledge Graph Based Recommendation）则是基于实体之间的属性关系构建知识图谱，如图4所示，并使用知识图谱表达的语义信息增强表征。

图神经网络在推荐系统中的其他类型应用还包括基于地理位置信息的POI推荐（Points-of-Interest Recommendation）、用户组推荐（Group Recommendation）、物品组推荐（Bundle Recommendation）、点击率预估（Click-Through-Rate Prediction）等。