WSDM2020教程《基于图学习和推理的推荐系统》，附130页PPT下载

【导读】新加坡国立大学的Xiang Wang、Tat-Seng Chua，以及来自中国科学技术大学的Xiangnan He在WSDM 2020会议上通过教程《Learning and Reasoning on Graph for Recommendation》介绍了基于图学习和推理的推荐系统，涵盖了基于随机游走的推荐系统、基于网络嵌入的推荐系统，基于图神经网络的推荐系统等内容。

Tutorial摘要：

推荐方法构建预测模型来估计用户-项目交互的可能性。之前的模型在很大程度上遵循了一种通用的监督学习范式——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，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，特别是在稀疏场景中。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。用于推荐的公共数据源可以组织成图，例如用户-项目交互(二部图)、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，为开发高阶连接带来了好处，这些连接为协作过滤、基于内容的过滤、社会影响建模和知识感知推理编码有意义的模式。随着最近图形神经网络(GNNs)的成功，基于图形的模型显示了成为下一代推荐系统技术的潜力。本教程对基于图的推荐学习方法进行了回顾，重点介绍了GNNs的最新发展和先进的推荐知识。通过在教程中介绍这一新兴而有前景的领域，我们希望观众能够对空间有更深刻的理解和准确的洞察，激发更多的想法和讨论，促进技术的发展。

Tutorial大纲：