【论文笔记】Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions

本文主要是介绍【论文笔记】Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述
文章链接:https://arxiv.org/pdf/2109.12843.pdf

本文是清华李勇和中科大何向南组最新的推荐中GNN综述

推荐系统的发展历程

浅层模型

早期的推荐模型主要通过计算交互的相似度来捕获协同信号,之后随着Netflix比赛中矩阵分解模型的大放异彩,推荐系统被转化为表示学习问题。

神经网络模型

浅层的模型不足以建模复杂的用户行为和大量数据输入,以神经协同过滤NCF,深度因子分解机DeepFM为代表的神经网络方法被开发了出来。

图神经网络模型

传统的神经网络很难学习到数据中的高阶结构信息,而图神经网络GNN采用消息传递机制整合邻居信息,通过多层堆叠使得节点可以访问高阶邻居的信息。因此图神经网络模型近年来被广泛应用在推荐系统中,并成为最先进的方法。

GNN

  1. 图的构建
  • 同构图 边和节点只有一类
  • 异构图 边和节点有多个种类
  • 超图 一条边可以链接多个点
  1. 图神经网络的建模,消息传递聚合机制
    在这里插入图片描述

  2. 如何优化

  • 链路预测:BPRloss
  • 节点分类:Logloss
  1. GNN为什么适合推荐系统
  • 结构化数据

推荐系统数据多,种类杂(交互,用户画像,商品属性等),用图可以统一整合在一起,获得高质量嵌入。

  • 高阶关联

堆叠GNN层可以自然引入高阶关联,增强协同过滤信号

  • 监督信号

监督信号,例如交互数量稀疏。GNN在表示学习中利用半监督信号来缓解监督信号少的问题。

  1. GNN在推荐系统上应用需要考虑的几个问题

构图—> 消息传递聚合机制—> 模型优化—> 训练和推理效率

推荐系统的分类

在这里插入图片描述

根据推荐系统的不同阶段

在这里插入图片描述

  1. Matching 匹配阶段:第一个推荐阶段会从非常大的item池子中匹配出几百个候选项目。该阶段的特点有数据规模大,同时出于在线服务的延迟考虑,模型通常比较简洁。此外,现实工业界中的推荐系统通常包含多个匹配渠道,来分别考虑不同方面的信息。
  2. Ranking 排序阶段:第二个推荐阶段会把来自不同渠道的多个匹配结果整合到一个列表中,并对其进行排序,选出排名靠前的items。这一阶段由于输入规模较少,系统可以为了精度来使用复杂算法,并把多种特征考虑进来。同时多种特征之间如何交互也成为了该阶段的关键挑战。
  3. Re-ranking 重排序阶段:上一阶段的优化目标主要是推荐精度,但推荐系统除了精度之外,还需要考虑新鲜度,多样性,公平性等问题。这一阶段需要考虑不同Items之间的多重关系,进行删除或者更改顺序等操作。

根据不同推荐场景

  1. 社交推荐
    在这里插入图片描述

除了用户-商品之间的交互之外,利用用户的社交关系来增强推荐效果。
主要挑战:如何捕获社交因素,如何结合社交信息和交互行为
近期发展:
在这里插入图片描述

  1. 序列推荐

在这里插入图片描述
利用用户的历史交互序列提取用户的兴趣,来预测下一个item。

主要挑战:如何从序列中提取尽可能多的有效信息

近期发展:

在这里插入图片描述

  1. 会话推荐

在这里插入图片描述
用户档案和长期的历史交互不可用,只通过匿名用户的短会话数据进行推荐。

主要挑战:如何在会话数据中建模items的变化模式以及如何在噪声数据中提取用户的核心需求

近期发展:

在这里插入图片描述

  1. 捆绑推荐

在这里插入图片描述

给用户推荐bundle(一组items)而不是单个item

主要挑战:用户对捆绑包的决策需要考虑items的从属关系,用户和捆绑包的交互更加稀疏,高阶关联的建模

近期发展:
在这里插入图片描述

  1. 跨域推荐

在这里插入图片描述
利用用户在多领域内的历史交互,缓解冷启动和数据稀疏问题。

主要挑战:如何整合利用不同域的信息

近期发展:

在这里插入图片描述

  1. 多行为推荐

在这里插入图片描述
利用多种行为下的交互进行推荐,来缓解数据稀疏问题。

主要挑战:如何建模多种行为和目标行为之间的关系,如何通过行为建模物品的语义信息。

近期发展:
在这里插入图片描述

根据不同的推荐目标

  1. 多样性

给用户推荐不同种类的Items,减少冗余。

主要挑战:如何增强劣势主题的信号,如何在多样性和准确性之间权衡。

近期发展:

在这里插入图片描述

  1. 可解释性

解释为什么给这个用户推荐这个Item

主要挑战:如何细粒度解释

近期发展:

在这里插入图片描述

  1. 公平性

给不同用户的推荐结果中去偏见。

主要挑战:如何减小推荐中的歧视和社会偏见

近期发展:

在这里插入图片描述

未来发展方向

  1. 更深层的GNN,CNN加深之后性能更好了,GNN加深可以捕获更高阶的关联,但是存在过平滑等问题,同时在GNN加深的过程中,也要保证计算量是可以接受的。
  2. 动态的GNN推荐,应用场景中很多图是一直在动态变化的,如何使推荐系统自适应时间演化具有很大现实意义。
  3. 知识图谱增强的GNN推荐,利用知识图谱引入更多外部知识,提高推荐质量的同时也能考虑多样性,公平性更多指标。
  4. 效率和可扩展性,大规模工业系统中的效率和大数据量。
  5. 自监督GNN,利用自监督缓解数据稀疏问题。
  6. 对话推荐,在聊天过程中进行推荐。
  7. 自适应GNN推荐,推荐目前有很多场景,如何结合Auto ML等技术,创建通用的GNN推荐系统。

这篇关于【论文笔记】Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/403070

相关文章

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓

忽略某些文件 —— Git 学习笔记 05

忽略某些文件 忽略某些文件 通过.gitignore文件其他规则源如何选择规则源参考资料 对于某些文件,我们不希望把它们纳入 Git 的管理,也不希望它们总出现在未跟踪文件列表。通常它们都是些自动生成的文件,比如日志文件、编译过程中创建的临时文件等。 通过.gitignore文件 假设我们要忽略 lib.a 文件,那我们可以在 lib.a 所在目录下创建一个名为 .gi