【IJCAI2021】基于图学习的推荐系统综述

近年来，基于图学习的推荐系统(GLRS)这个新兴话题得到了快速发展。GLRS采用高级的图学习方法来建模用户的偏好和意图，以及物品的特征来进行推荐。与其他RS方法(包括基于内容的过滤和协同过滤)不同，GLRS是建立在图上的，其中重要对象(如用户、物品和属性)是显式或隐式连接的。

随着图学习技术的快速发展，探索和开发图中的同质或异质关系是构建更有效的RS的一个有前途的方向。通过讨论如何从基于图的表示中提取重要的知识，以提高推荐的准确性、可靠性和可解释性。

首先对GLRS进行了表示和形式化，然后对该研究领域面临的主要挑战和主要进展进行了总结和分类。

引言

推荐系统(RS)是人工智能(AI)最流行和最重要的应用之一。它们已被广泛采用，以帮助许多流行的内容分享和电子商务网站的用户更容易找到相关的内容、产品或服务。与此同时，图学习(Graph Learning, GL)是一种新兴的人工智能技术，它涉及到应用于图结构数据的机器学习，近年来发展迅速，显示出了其强大的能力[Wu et al.， 2021]。事实上，得益于这些学习关系数据的能力，一种基于GL的RS范式，即基于图学习的推荐系统(GLRS)，在过去几年中被提出并得到了广泛的研究[Guo等人，2020]。在本文中，我们对这一新兴领域的挑战和进展进行了系统的回顾。

动机: 为什么要用图学习RS?

RS中的大部分数据本质上是一个图结构。在现实世界中，我们身边的大多数事物都或明或暗地相互联系着;换句话说，我们生活在一个图的世界里。这种特征在RS中更加明显，这里考虑的对象包括用户、物品、属性、上下文，这些对象之间紧密相连，通过各种关系相互影响[Hu et al.， 2014]，如图1所示。在实践中，RS所使用的数据会产生各种各样的图表，这对推荐的质量有很大的帮助。

图学习具有学习复杂关系的能力。作为最具发展前景的机器学习技术之一，GL在获取嵌入在不同类型图中的知识方面显示出了巨大的潜力。具体来说，许多GL技术，如随机游走和图神经网络，已经被开发出来学习特定类型的关系由图建模，并被证明是相当有效的[Wu et al.， 2021]。因此，使用GL来建模RS中的各种关系是一个自然和令人信服的选择。

图学习如何帮助RS? 到目前为止，还没有统一的GLRS形式化。我们通常从高层次的角度对GLRS进行形式化。我们用一个RS的数据构造一个图G = {V, E}，其中对象(如用户和商品)在V中表示为节点，它们之间的关系(如购买)在E中表示为边。构建并训练GLRS模型M(Θ)学习最优模型参数Θ，生成最优推荐结果R。

根据具体的推荐数据和场景，可以以不同的形式定义图G和推荐目标R，例如，G可以是同质序列或异构网络，而R可以是对物品的预测评级或排名。目标函数f可以是最大效用[Wang et al.， 2019f]或节点之间形成链接的最大概率[Verma et al.， 2019]。

这项工作的主要贡献总结如下:

• 我们系统地分析了各种GLRS图所呈现的关键挑战，并从数据驱动的角度对其进行分类，为更好地理解GLRS的重要特征提供了有用的视角。

• 我们通过系统分类较先进的技术文献，总结了目前GLRS的研究进展。

• 我们分享和讨论了一些GLRS开放的研究方向，供社区参考。