【CIKM2019教程】新加坡国立大学：基于图学习与推理的推荐系统，附133页ppt

2019 年 11 月 4 日 专知

导读

新加坡国立大学三位学者在国际会议CIKM2019上完成题为“Learning and Reasoning on Graph for Recommendation”的大会报告。在本教程中，作者将从图学习的角度重新讨论推荐问题。随着最近图神经网络(GNNs)的成功，基于图的模型显示出其作为下一代推荐系统的技术潜力。本教程提供了基于图学习的回顾。

作者 | Xiang Wang, Xiangnan He, Tat-Seng Chua

编译 | Xiaowen

作者简介

Xiang Wang 王翔

王翔现在是新加坡国立大学计算机学院的研究人员。他的研究兴趣包括信息检索、数据挖掘和可解释的人工智能，特别是在推荐系统、图学习和社交媒体分析方面。此外，他还曾担任包括SIGIR和MM在内的顶级会议的PCmember，以及包括TKDE、TOIS、TKDD和TIST在内的著名期刊的特邀评审。

个人主页：

https://xiangwang1223.github.io/

Xiangnan He 何向南

何向南的研究方向是信息检索、数据挖掘和多媒体分析，目前已发表60余篇学术研究工作，如SIGIR、WWW、KDD和MM等学术会议，以及包括TKDE、TOIS和TMM在内的学术期刊。何博士在推荐系统方面的工作获得WWW 2018和ACM SIGIR 2016年度最佳论文奖的荣誉提名。此外，何博士还担任过几个顶级会议的高级PCmember，包括SIGIR、WWW、KDD和MM等，以及TKDE、TOIS和TMM等期刊的评审。

个人主页：

http://staff.ustc.edu.cn/~hexn/

Tat-Seng Chua 蔡达成

蔡达成是新加坡国立大学计算机学院的教授。他的主要研究方向是多媒体信息检索和社交媒体分析。他的研究重点是从网络（web）和社交网络中产生的文本、视频和实时媒体的提取、检索和问答。蔡教授是2015年ACM SIGMM技术成就奖的获得者。他组织并担任了计算机图形学、多媒体和文本处理领域的许多国际会议的程序委员会成员。他是ACM多媒体2005、ACMCIVR2005、ACMSIGIR2008和ACMWebScience2015的会议共同主席。

个人主页：

https://www.comp.nus.edu.sg/cs/bio/chuats/

推荐系统方法构造预测模型来估计用户-项交互的可能性。以前的模型大多遵循一种普遍的监督学习模式--将每个交互看作一个单独的数据实例，并根据“信息孤岛”进行预测。然而，这些方法忽略了数据实例之间的关系，这可能导致性能不佳，特别是在数据稀疏的情况下。此外，建立在单独数据实例上的模型很难展示推荐背后的原因，这使得推荐过程难以理解。

在本教程中，我们将从图学习的角度重新讨论推荐问题。常用的推荐数据源可以组织成图，如用户-项目交互(二部图)、社交网络、项目知识图(异构图)等。这样一个基于图的组织将孤立的数据实例连接起来，从而为利用高阶连接带来好处，这些连接为协同过滤、基于内容的过滤、社会影响建模和知识感知推理编码了有意义的模式。随着最近图神经网络(GNNs)的成功，基于图的模型显示出其作为下一代推荐系统的技术潜力。本教程提供了基于图学习的回顾。