业界盘点|为什么推荐算法都开始结合图神经网络了？
本文对基于GNN的推荐算法进行了总结，汇总了从2018至2020年期间工业界和学术界比较有代表性的 29个基于的GNN推荐模型 。 此外，我从近三年KDD的论文中挑选了六篇值得一读的GNN推荐模型为大家解读，分别是4篇阿里的论文，1篇滴滴的论文和1篇亚马逊的论文，话不多说，让我们一起欣赏一下GNN在推荐系统中的花式玩法吧~
基于图神经网络的推荐算法分类
基于图神经网络的推荐模型总结
1 General Recommendation
1.1 General RS without side information
Neighbor Aggregation：区分邻居的影响大小，比mean-pooling，degree normalization效果好
Information Update：当后续没有显式的特征交叉步骤时，mean pooling, sum pooling表现足够好，若有，则concat能保留更多信息
Final Node representation：有些使用GNN的最后一层向量作为表示，有些则用所有层（可能表示更好一些）
1.2 General RS with social network
Influence modeling：区分社交网络不同的好友的影响力可以提升效果，进一步的，考虑朋友在不同的Item上的影响力也不一样，可以在item稀疏时提升较大
Preference Integration:将social network 和user-item bipartite 两个图分开建模和统一建模都可，没有明显区别。
1.3 General RS with knowledge graph
Graph simplification：为了将GNN较为高效地应用于KG，需要对图进行简化（同时图信息有损）,例如AKGE利用最短路径来重构子图，IntentGC仅保留一部分结点来构造i2i和u2u
Multi-relation propagation：KG有多重类型的边，因此需要使用attention 机制来聚集来自邻居的信息
User intergration:有些工作利用GNN来学习item表示，假设用户具有静态的表示；另外的则将user作为KG中一种entity来学习
2 Sequential recommendation
2.1 SR without side information
Graph construction：将sequence 转为graph，转化的方法决定了GNN的效果，一般将按时序出现的相邻K（一般K=2）个item之间进行连边
Information propagation：在聚集邻居特征时，相比mean-pooling, GRU在序列建模中效果更好一些
Sequential preference：将序列的结点表示集成为最终的结点表示，attention, GRU皆可
2.2 SR with social network
DGRec：使用LSTM来抽取用户的动态兴趣，再使用GAT来对不同好友的影响进行聚集
3. 阿里EGES
论文标题：Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
论文来源：KDD2018，Alibaba
论文目标：将图表示学习应用到推荐中，初步解决scalability, sparsity and cold start等问题
图数据的构建方法：session-based users’ behaviors中相邻的item连接一条有向边
模型架构：
模型特点：
base model :先随机游走，再使用negative sampling优化的Skip-gram模型来学习表示。
enhance model：利用side information，给每种不同类型的side information的表示以不同的权重，其中SI 0代表item id。
注：数据清洗
1.删除点击后停留时间少于1s的点击（无意图点击）
2.删除过于活跃的用户（buy>1000 item, click >3500 item in 3 months）
4. 阿里GATNE
论文标题：Representation Learning for Attributed Multiplex Heterogeneous Network
论文来源：KDD2019 Alibaba&Tsinghua
论文目标：学习异构网络的结点和边表示
图数据的构建方法：user-item交互信息（点击，加入购物车等）
模型架构：
模型特点：
为异构网络中的每个结点学习一个基本表示（base embedding），在结点的每种边类型下都学一个表示（edge embedding），将两类表示合并作为最后的表示。
总结：
有Inductive和transductive两种setting：
Inductive learning中将结点的属性作为学习结点和边表示的初始化输入。
5. 阿里M2GRL
论文标题：M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems
论文来源：KDD2020 Alibaba
论文目标：同时学习multi-view的表示，并对齐
图数据的构建方法：从用户的历史行为序列中构造出item graph（连续的item之间连边）；category graph, shop graph
模型架构：
模型特点：
多task多view的图表示学习框架，分为两类任务：
1.view内的任务，关注与view内的同构图的表示学习，使用Negative sampling优化的Skip-gram模型来学习
2.view间的任务，专注于学习不同view的结点的关系，采取对齐技术来将不同view的结点的映射到同一空间，并学习结点之间的关系
利用同调不确定性来学习不同任务的权重
备注：
数据清洗
1.删除点击后停留时间少于2s的user-item pair（用户可能不感兴趣）
2.打开到关闭app的tm来分割和合并session。若有1小时的空闲时间，将一个session分成两个；如果时间跨度少于30分钟，合并两个连续的session。
6. 阿里DHGAT
论文标题：A Dual Heterogeneous Graph Attention Network to Improve Long-Tail Performance for Shop Search in E-Commerce
论文来源：KDD2020 Alibaba
论文目标：在shop search上提高长尾query和shop的效果
图数据的构建方法：从用户的搜索、点击和下单行为历史构造。
结点类型：Shop(S)、Query(Q)、Item(I)
边类型：
1.同构边：Q-Q，同一个session中的query连边，导致相同点击shop的query连边；S-S，在同个query下的shop连边
2.异构边：Q-S(历史数据中直接获得，从item-query下下单的)，Q-I，S-I
模型架构：
模型特点：
使用GNN来丰富shop和query的表示含义，定义了各自的异构邻居。
1.双层attention，1.同种异构边,2.不同种异构边
2.双塔+异构attention
3.从product search中transfer knowledge
4.user feature作为query特征一部分
7 .滴滴Gemini
论文标题：Gemini: A Novel and Universal Heterogeneous Graph Information Fusing Framework for Online Recommendations
论文来源：KDD2020 DiDi
论文目标：将User-item交互的异构图转化为两个semi-Homogeneous图
图的构建方法：任意二分图
模型架构：
模型特点：
1.将一个异构图转化为两个半同构图，其中同构图上的边的属性为node list（原来的共同1跳邻居结点）
2.边上的点越多，包含的信息越多；但在所有边上出现次数越多，越不重要。单个边上点出现的次数（tf），所有边上点出现的次数(idf) ，使用TF-IDF pooling （分桶表示）
3.使用attention机制来组合结点和边表示
4.使用edge conv来获得该层的结点表示
5.预测
备注：
复杂度较高，构造了u-u图，比原始的u-i图更大
8. 亚马逊NIRec
论文标题：An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph
论文来源：KDD2020, Amazon
论文目标：介绍了early summarization问题（在预测前将结点和邻居信息压缩到一个向量中），并提出模型解决
图的构建方法：普通异构图
模型架构：
模型特点：
1.在metapath-guide neighbor，所有类型metapath的所有相关结点都参与
2.在interaction层，使用卷积操作
Conv: shift, product, sum
3.在aggregation层，两层attention（Node/Element-level、Path/Matrix-level）
相关内容
微信扫码咨询专知VIP会员