推荐系统中的GNN，图神经网络

发表于2019年WWW 《Graph Neural Networks for Social Recommendation》论文阅读笔记 GNN，融合了节点信息以及结构信息，在图结构数据中学习。在社交推荐系统中可以将用户-用户社交图，用户-项目图作为系统中的数据，学习用户和项目的特征，因此GNN在处理的时候有很大的优势。 问题：基于GNN建立社交推荐系统面临挑战： （1） 需要从用户-项目图，社交图中获得用户特征，怎样结合这两个图； （2） 用户-项目图中不仅包含用户项目之间的交互，还有评分。怎样获得用户项目

【论文阅读】GNN在推荐系统中的应用

图形是包含节点和边的数据结构类型。节点可以是人、地点或事物，边定义节点之间的关系。边可以基于方向依赖关系进行定向和无向。在下面的示例中，蓝色圆圈是节点，箭头是边。边的方向定义了两个节点之间的依赖关系。让我们来了解一下复杂的 Graph 数据集：Jazz Musicians Network。它包含 198 个节点和 2742 条边。在下面的社区图中，不同颜色的节点代表爵士音乐家的各种社区以及连接它们的边缘。有一个合作网络，一个音乐家在社区内外都有关系。

《推荐系统中的图神经网络研究：综述》 Graph Neural Networks in Recommender Systems: A Survey 1.介绍 本部分主要介绍了推荐系统的基本概念情况，使读者们对推荐系统有一个基本的了解。 一个高效的推荐系统应该准确地捕捉用户的偏好，并推荐用户潜在感兴趣的项目，这样可以提高用户对平台的满意度，提高用户留存率。推荐系统根据用户的兴趣和物品属性来评估用户对物品的偏好。 近年来，图神经网络在关系提取、蛋白质界面预测等许多应用领域都取得了巨大的成功[82]。

其从用户数据中构造图（graph）的方法和应对大规模图而采取的实现技巧都值得我们学习。PinSage被应用在图片推荐类Pinterest上。在Pinterest中，每个用户可以创建并命名图板（board），并将感兴趣的图片（pins）添加进图板。推荐系统的任务是为每个图片生成高质量的表示向量，并据此为每位用户推荐其可能感兴趣的图片。

来源：RUC AI Box 本文约4600字，建议阅读9分钟本文主要介绍推荐系统中的图神经网络，欢迎交流探讨！ [ 引言 ]近年来，GNN技术由于其在图数据学习方面的出色表现，在许多...

GNN ——> 推荐系统（两个算法） 文章目录GNN ——> 推荐系统（两个算法）前言一、GC-MC1、总体结构2、Graph Encoder部分3、Graph Decoder部分4、损失函数5、实验结果6、不足二、STAR-GCN1、总体架构（比较）2、Transductive 和 Inductive（归纳和直推）如何实现直推？——mask3、LOSS部分4、leakage Issue的避免5、实验结果 前言 部分资源来自于Youtube 一、GC-MC 1、总体结构 首先进行one-ho

NewBeeNLP原创出品公众号专栏作者@上杉翔二悠闲会·信息检索前段时间，我们关注过图神经网络在推荐系统中的应用：万物皆可Graph | 当推荐系统遇上图神经...

《Graph Neural Networks in Recommender Systems: A Survey 》阅读笔记 推荐系统的关键：从用户-项目交互历史或者辅助信息（如社交关系，知识图谱等）中学习用户项目的特征。 根据推荐系统是否考虑项目的顺序，可以将推荐分为两类：一般推荐（评分预测/前N推荐）和序列推荐（推荐用户可能点击的下一个项目，即next item 推荐）。 为什么要用GNN：由于大多数信息本质上都是图结构，GNN在特征学习方面具有优势。因此在推荐系统中应用GNN是有研究前景的。 为什么要在

Multi-GCCF：物尽其用 1 一点点引入 Multi-Graph convolution collaborative filtering（Multi-GCCF） 属于基于图神经网络的协同过滤算法。 协同过滤算法通常基于这样一个假设：相似的用户往往喜欢同样的item，而具有相似客户的item往往会得到相似的评分。所以，大多数协同过滤算法基于user-item二分网络做出推荐，但由于在实际场景中每个user所对应的item数量是有限的，这就会导致构造出的user-item二分网络非常稀疏。此时，使用图卷

GNN方法是在确定的图结构中，通过迭代计算，最后求出User和item的向量表示。此方法可以用作推荐。

Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions1. 前言2. 背景 - 推荐系统的发展历程和挑战2.1.1 浅层模型2.1.2 神经网络模型2.1.3 图神经网络模型3. 推荐系统的分类3.1 根据推荐系统的不同阶段3.2 根据不同推荐场景3.2.1 社交推荐3.2.2 序列推荐3.2.3 会话推荐3.2.4 捆绑推荐3.2.5 跨域推荐3.2.6 多行为推荐3.3 根据不同的推荐目标3.3

作者：十方，公众号：炼丹笔记推荐系统会存储大量的用户与items交互数据，这些数据可以用二部图呈现。二部图对消除推荐系统中数据稀疏性和冷启动有着巨大的帮助。这篇主要总结了3个典型的GNN方法在推荐系统领域处理用户与items的二部图。我们可以通过每个用户交互过的item列表，构建一个巨大的二部图，如下图所示：传统的神经网络方法(如协同过滤，双塔)，是无法处理上述二部图的，图神经网络就是要充分挖掘节...