【WSDM2020 Tutorial】图学习与推理的推荐系统，130页ppt，Learning and Reasoning on Graph for Recommendation，新加坡国立大学

** 简介：**

推荐方法构造了预测模型，以估计用户与项目交互的可能性。先前的模型在很大程度上遵循一般的监督学习范式-将每个交互视为一个单独的数据实例，并基于“信息孤岛”进行预测。但是，此类方法忽略了数据实例之间的关系，这可能导致性能欠佳，尤其是对于稀疏场景。此外，建立在单独数据实例上的模型几乎无法显示出推荐背后的原因，从而使过程难以理解。

在本教程中，我们将从图学习的角度重新审视推荐问题。可以将用于推荐的通用数据源组织成图形，例如用户-项目交互（二分图），社交网络，项目知识图（异构图）等。这种基于图的组织将孤立的数据实例连接起来，从而为利用高阶连通性带来了好处，这些高阶连通性对有意义的模式进行了编码，以进行协作过滤，基于内容的过滤，社会影响力建模和知识感知推理。结合图神经网络（GNN）的最新成功，基于图的模型已展现出成为下一代推荐系统技术的潜力。本教程对基于图的学​​习方法进行了回顾，以提出建议，特别关注GNN的最新发展和知识图谱增强的建议。通过在本教程中介绍这个新兴而有前途的领域，我们希望观众可以对空间有深入的了解和准确的见解，激发更多的想法和讨论，并促进技术的发展。

目录：

作者简介：

王翔是新加坡国立大学（NUS）计算机学院的研究员。 他获得了博士学位。 他于2019年获得国大计算机科学博士学位。他的研究兴趣包括推荐系统，信息检索和数据挖掘。 在SIGIR，KDD，WWW和AAAI等顶级会议上，他拥有20多种出版物，包括TOIS和TKDE等期刊。 他曾担任CCIS 2019的本地主席，包括SIGIR，CIKM和MM在内的顶级会议的PC成员以及TKDE和TOIS等著名期刊的定期审稿人。