【论文整理】基于图神经网络的序列推荐模型整理Graph Neural Networks for Recommender Systems: Challenges, Methods, and Direct

序列推荐发展历程

对于序列推荐，为了提高推荐性能，需要从序列中提取尽可能多的有效信息，并了解用户在序列中的兴趣，包括短期兴趣、长期兴趣、动态兴趣等，以便准确预测用户可能感兴趣的下一个项目。已经使用了一些序列建模工具，如马尔可夫链或递归神经网络GNN。对于图神经网络，通过将数据转换为图，它可以很好地用于短期、动态的兴趣建模或表示学习。使用GNN进行序列建模的一般模式。
SURGE将每个用户的序列转换为项目-项目图，并通过度量学习自适应地学习边的权重，动态图池只保留较强的边。保留的图形通过位置展平转换为序列，并最终用于预测下一个项目。
MA-GNN考虑序列中的短期兴趣建模，以构建项目-项目图。对于每个项目，它只会在序列中构建与其他项目接近的边。这使它能够在仍然通过其他网络学习长期用户兴趣。将学习到的多个表示融合在一起并用于最终推荐。
由于GNN具有通过聚集相邻节点的信息进行高阶关系建模的能力，因此在将多个序列融合到一个图中后，它可以学习不同序列中用户和项目的表示，这是马尔可夫模型或递归神经网络所无法完成的。Wang等人[ Knowledge-enhanced graph neural networks for sequential recommendation.]提出了一种简单的方法，将序列信息直接转换为图上的有向边，然后使用GNN学习表示。
ISSR模型同时构建了用户项目二部图和项目项目图，其中项目项目图的边表示序列中的共现，边权重根据出现的次数分配。GNN学习到的表示通过递归神经网络用于最终推荐。与直接将时间序列转换为图中的有向边不同，DGSR和TGSRec在构建图的过程中考虑了序列中的时间戳。在图中，每条边表示用户和项目之间的交互，并具有相应的时间属性。然后对时态图执行卷积运算，以了解用户和项目的表示。GES-SASRec和SGRec专注于项目表征的学习。
对于序列中的一个项目，GES-SASRec考虑其他序列中该项目的下一个项目，SGRec不仅考虑下一个项目，还考虑上一个项目。通过将目标项目前后的项目按不同的顺序聚合，增强了项目的表示。GPR和GME通过考虑连续出现的频率或相同序列中出现的频率来构建项目之间的边，以增强表示。
有些作品更复杂。例如，RetaGNN在构建图表时考虑了项目的属性，而STP-UDGAT在POI建议中考虑了地理位置、时间戳和频率。

各模型细节