佐治亚理工学院最新《图神经网络社会推荐系统》2022综述

社会化推荐系统(SocialRS)同时利用用户到项目的交互和用户到用户的社会关系来为用户生成项目推荐。此外，由于同质性和社会影响的作用，利用社会关系显然可以有效地理解用户的品味。因此，SocialRS越来越受到关注。特别是，随着图神经网络(GNN)的发展，最近发展了许多基于GNN的社交方法。对基于GNN的SocialRS文献进行了全面和系统的回顾。在遵循PRISMA框架(系统评审和元分析的首选报告项目)注释了2151篇论文后，确定了80篇关于基于GNN的社交网络的论文。然后，从输入和体系结构两个方面对它们进行了全面的综述，提出了一个新的分类方法:(1)输入分类方法包括5组输入类型符号和7组输入表示符号;(2)架构分类包括8组GNN编码器符号，2组解码器符号和12组损失函数符号。本文根据分类法将基于GNN的SocialRS方法分为几个类别，并描述了它们的细节。总结了广泛用于评估基于GNN的SocialRS方法的基准数据集和指标。最后，展望了未来的研究方向。 https://www.zhuanzhi.ai/paper/19ce4b0c70cda5c6a61eeb8b8d8d6d1f

引言

随着在线社交网络平台(如Facebook、Twitter、Instagram等)的出现，社交推荐系统(social recommender systems, SocialRS)得到了大量的研究，它同时利用用户-用户的社交关系和用户-物品的交互关系向用户推荐相关物品。利用社交关系进行推荐可以取得很好的效果，这是因为社交同质性[61]和社交影响力[60]的作用:(1)社交同质性表示用户倾向于将自己与具有相似属性和偏好的其他用户联系起来;(2)社交影响力表示具有直接或间接关系的用户倾向于相互影响，使自己变得更加相似。因此，SocialRS通过利用社交邻居来捕捉交互稀疏用户的偏好，可以有效缓解数据稀疏问题。

通过利用社交邻居来捕获交互稀疏的用户的偏好问题。文献表明，SocialRS可以成功地应用于各种推荐领域(例如，产品[101,103]，音乐[116-118]，位置[39,72,100]和图像[86,99,102])，从而提高用户满意度。此外，社会学家探索的技术和见解也可以用于现实世界的应用，而不是推荐。例如，GarcíaSánchez等人[20]利用SocialRS设计了一个营销决策系统(如广告)，而Gasparetti等人[21]从社区发现的角度分析了SocialRS。

在这种广泛适用性的推动下，人们对开发精确社交模型的研究越来越感兴趣。早期，研究集中在矩阵分解(MF)技术[28,54 - 57,84,112]。然而，基于MF的方法无法有效建模用户-用户社会关系和用户-物品交互中固有的复杂(即非线性)关系[76]。受此启发，最近的大多数工作都专注于将深度学习技术应用于社交网络，例如自编码器[11,115]，生成对抗网络(GAN)[35]和图神经网络(GNN)[16,102]。

特别是，由于用户-物品交互和用户-用户社会关系可以自然地表示为图形数据，基于GNN的SocialRS在文献中越来越受到关注。图1显示，自2019年以来，与基于GNN的SocialRS相关的论文数量持续增加。鉴于人们对这一领域的兴趣日益增长和及时，我们在本次综述中调查了基于GNN的SocialRS方法。

1.1 将GNN应用于SocialRS并非易事，面临以下挑战。

**输入表示。**输入数据应该适当地建模为异构图结构。许多SocialRS方法构建两个独立的图:其中一个图的节点表示用户和物品，边表示用户与物品的交互;另一种是节点代表用户，边代表用户与用户的社会关系。因此，用于SocialRS的GNN方法需要同时从两个网络中提取知识，以进行准确的推断。这与大多数只考虑单个网络的常规GNN形成对比。此外，我们注意到这两个网络中存在有价值的输入特征，例如用户/物品属性，物品知识/关系，

此外，我们注意到两个网络中存在有价值的输入特征，如用户/项目属性、项目知识/关系和组信息。因此，在基于GNN的社交网络中，方法将特征和网络信息融合在一起。本文讨论了基于GNN的SocialRS方法中使用的输入类型，以及它们表示为图的不同方式。

**GNN编码器的设计。**基于GNN的SocialRS方法的性能在很大程度上依赖于它们的GNN编码器，这些编码器旨在将用户和项目表示为低维嵌入。因此，现有的SocialRS方法探索了关于GNN编码器的各种设计选择，并根据其目标采用了不同的架构。例如，许多SocialRS方法采用图注意力神经网络(GANN)[88]来区分每个用户对项目的偏好或每个用户对其社交朋友的影响。另一方面，一些方法[22,65,66,82,111]使用图递归神经网络(GRNN)[68, 120]对用户的顺序行为进行建模。需要注意的是，面向社交网络的GNN编码器需要同时考虑用户-物品交互和用户-用户社会关系的特征。这与仅对用户-项目交互建模的非社交者的GNN编码器形成了对比。本文讨论了SocialRS方法使用的不同类型的GNN编码器。

**训练。**基于GNN的社交网络训练应设计为在对应用户和项目的嵌入中反映用户的品味和项目的特征。为此，SocialRS方法采用众所周知的损失函数，如均方误差(MSE)、贝叶斯个性化排名(BPR)[70]和交叉熵(CE)，来重构用户行为。此外，为了缓解数据稀疏性问题，一些工作还采用了辅助损失函数，如自监督损失[49]和基于分组的损失[36,42]。值得一提的是，基于GNN的社交网络使用的损失函数被设计为可以利用丰富的结构信息，如motifs和用户属性。非社会推荐系统的损失函数不考虑这些。本综述讨论了基于GNN的SocialRS方法的训练补救措施，以学习用户和项目嵌入。

图2所示。基于GNN的SocialRS方法时间表。根据其GNN编码器对方法进行分类:图卷积网络(GCN)、轻量级GCN (LightGCN)、图注意力神经网络(GANN)、异构GNN (HetGNN)、图循环神经网络(GRNN)、超图神经网络(HyperGNN)、图自编码器(GAE)和双曲GNN。值得注意的是，一些方法在其架构中使用了两个或更多的GNN编码器。

本文的主要贡献总结如下:

基于GNN的社交网络的第一个综述:据我们所知，我们是第一个系统地致力于回顾基于GNN的社交网络方法的人。大多数现有综述要么关注传统方法7,14,67,75,85,109,114，要么关注特征信息77，要么关注特定应用21。其他相关的综述[12,19,94,104]关注基于图的推荐系统，但它们部分覆盖了社交网络。

综合调研: 通过遵循系统评审和元分析(PRISMA框架)首选报告项目的指导方针，系统地确定了基于GNN的社会RS的相关论文[63]。然后，从它们的输入和架构方面全面回顾了它们。图2提供了基于GNN的SocialRS方法的简要时间表。此外，图3显示了在相关期刊(如IEEE TKDE和ACM TOIS)和会议(如WWW、ACM SIGIR和ACM CIKM)上发表的相关论文数量。

输入和架构的新分类:在基于GNN的SocialRS方法中提供了一种新的输入和架构分类，使研究人员能够轻松捕捉该领域的研究趋势。输入分类法包括5组输入类型表示法和7组输入表示表示法。另一方面，架构分类包括8组GNN编码器符号、2组解码器符号和12组损失函数符号(4组为主要损失，8组为辅助损失)。

基准数据集:回顾了17个基准数据集，用于评估基于GNN的SocialRS方法的性能。将数据集分为8个领域(即产品、位置、电影、图像、音乐、书签、微博和杂项)。此外，我们提供了每个数据集的一些统计数据和使用该数据集的论文列表。

未来方向: 讨论了现有的基于GNN的社会RS方法的局限性，并提供了几个未来的研究方向。

在本节中，我们将介绍基于GNN的SocialRS的架构分类。模型架构由三个关键组件组成，如图6所示: (C1)编码器;(C2)解码器;(C3)损失函数。在(C1)中，编码器将用户和物品表示为低维向量(即嵌入)通过使用不同的GNN编码器。在这里，一些作品利用了用户和/或项目的附加信息(例如，他们的属性和组;请参考第4节)以构建更准确的用户和项目嵌入。在(C2)中，解码器通过对(C1)中获得的用户和物品嵌入的不同操作来预测每个用户对每个物品的偏好。最后，在(C3)中，不同的损失函数被优化，以端到端的方式学习嵌入。