2022.2.13,北大、阿里巴巴联合发表了一篇最新的基于GNN推荐的综述到Arxiv。笔者第一时间下载并阅读,非常系统化,提出了新的GNN推荐的分类体系,并按照推荐系统的方向整理了各个方向上代表性的工作,比如:基于二分图协同过滤的工作包含了家喻户晓的GC-MC,PinSAGE,NGCF,LightGCN等,序列推荐工作包含了SR-GNN、GCE-GNN等,知识图谱推荐包含了KGAT等,还涉及了社交推荐、多模态推荐、CTR预估、捆绑推荐、组推荐、POI推荐等多种多样的场景。
链接:https://arxiv.org/pdf/2011.02260
论文库:https://github.com/wusw14/GNN-in-RS
随着在线信息的爆炸式增长,推荐系统在缓解信息超载问题方面发挥着关键作用。由于推荐系统的重要应用价值,一直有该领域的新兴工作不断涌现。在推荐系统中,主要挑战是从用户的稀疏交互和辅助信息中学习有效的用户/项目表征。最近,由于推荐系统天然具备图结构特性,GNN在推荐系统中自然具备了得天独厚的应用优势。本文章旨在全面回顾最近几年基于 GNN 的推荐系统工作。具体来说,我们提出了一种新的分类体系,主要基于推荐系统使用的信息类型和推荐系统任务类型来划分,此外,我们系统地分析了 GNN 应用于不同领域的挑战,并探讨现有工作是如何解决这些挑战的。最后,我们阐述了关于GNN发展的前瞻性观点,并收集并整理了现有的代表性工作。
本文主要先整理出所有关于GNN的文章,其中,[doc]标识代表有pdf可下载,[code]代表有开源代码,可参见github:https://github.com/wusw14/GNN-in-RS。
下回我将分享关于本篇综述的核心内容,敬请期待。
由于公众号试行乱序推送,您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容, 请将本号设为星标,以及常点文末右下角的“在看”。