hhmy77
hhmy77

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021

文章目录

  • 数据分类以及模型
    • 一般交互数据的图推荐系统
    • 序列交互数据的图推荐系统
    • 利用边信息的推荐系统
    • 结合知识图谱的推荐系统
  • 图推荐的算法
    • 随机游走
    • Graph Embedding
    • Graph Neural Network Approach
  • 未来研究方向
  • 已有的工作和数据集

本文首发于公众号：code路漫漫，欢迎关注
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第1张图片

IJCAI2021年图推荐综述，原文地址
https://www.researchgate.net/publication/350979695_Graph_Learning_based_Recommender_Systems_A_Review

数据分类以及模型

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第2张图片
数据可以分类为两种，一种是用户物品交互信息，另一种是边信息。在交互信息中可以继续细分，序列交互数据物品的点击顺序具有时效性，剩下的就是一般交互数据类型

一般交互数据的图推荐系统

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第3张图片
交互类型可以分为隐式交互和显示交互，以往常用的方法是矩阵补全，引入了graph learning算法后，图可以缓解冷启动和数据稀疏问题，原理就是通过信息传播（information propagation）聚合邻居结点信息用于生成表示
但是信息传播本身也有一些挑战
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第4张图片
信息传播的方法很多，如何更高效的利用信息是一个难题
在图学习算法中，可以利用 auto-encoder 来做信息传播，根据具体的方法又可以划分为很多类

序列交互数据的图推荐系统

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第5张图片
首先我们对数据进行讨论，如果序列数据中只有一种交互方式，例如购买，我们称之为单类型交互数据集；如果序列数据中由多种交互类型，那么我们称之为多类型交互数据集。
序列数据最终都可以建模为单向图
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第6张图片
一旦涉及到图推荐，信息传播就是绕不开的问题，当处理序列数据的时候，如何有效的把序列关系建模成图也是一个研究的热点。用信息损失较小的方式构建图结构，就能获得更好的推荐性能
对于两种类型的交互数据，这里也列举了一些工作

利用边信息的推荐系统

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第7张图片
用户物品的交互信息往往比较稀疏，利用边信息提高推荐效果是常见的方法
边信息又可以分类三种
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第8张图片
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第9张图片
融合了边信息的图，会使得图的结构变复杂，如何有效的提取信息是这类系统的挑战

结合知识图谱的推荐系统

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第10张图片
引入知识图谱也是图推荐里面热门的研究点，但随之额外也带来了一些挑战。知识图谱会让图结构变得非常复杂，如何有效的进行信息传播是一个问题。

图推荐的算法

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第11张图片

随机游走

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第12张图片
早些年的工作采用的方法，优点是能够用邻居节点信息生成当前节点的表示（后来这一优点被表达能力更强的GCN代替)，缺点也很明显，破坏了图结构信息（每次随机游走都是不确定的，而且游走了多步后，当前节点和游走到的结点可能并没有多大联系）、训练代价高、缺乏优化空间。

Graph Embedding

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第13张图片
Embedding的原理就是把图节点embedded到低维空间中，计算每个结点在低维空间的向量，用于得到图的结构信息。
根据embedding方法的不同，又可以继续细分
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第14张图片

  1. Graph Factorization based RS (GFRS)
    GFRS首先对图上基于元路径的节点间交换矩阵进行因式分解，得到每个节点的嵌入
    容易受到数据稀疏性的影响
  2. Graph Distributed Representation based RS (GDRRS)
    它们将有关用户或项目及其相邻关系的信息编码为一个低维向量
    GDRRS通常首先使用随机漫步来生成在一个元路径中同时出现的节点序列，然后使用跳过gram或类似的模型来生成节点表示以供推荐。
    通过利用其在图中编码节点间连接的强大能力，GDRRS被广泛应用于同构和异构图，用于捕获由RS管理的各种对象之间的关系
  3. Graph Neural Embedding based RS (GNERS)
    GNERS利用神经网络，如多层感知器，自动编码器，来学习用户或项目嵌入。

Graph Neural Network Approach

就是现在常用的技术了

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第15张图片
这里一共分为三类

  1. 引入注意力机制
  2. Gated Graph Neural Network
  3. GCN

在这里插入图片描述
注意力机制是现在model的常用机制了，引入它是为了区分不同信息的重要性，在注意力机制的计算方式上做改进可能会有不错的效果
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第16张图片
GGNN也是常见的做法
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第17张图片
GCN捕捉邻居节点的信息用于生成当前节点的表示

未来研究方向

Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第18张图片

  1. Self-evolutionary RS with dynamic-graph learning
    在现实世界中，用户、物品和交互不断产生，导致图的结构不断变化
    这种动态性直接影响了用户和物品的建模，知道了推荐结果的改变
    现有的推荐系统并没有考虑到这种动态性
    因此，设计基于动态图的自进化RS是一个有前途的研究方向。
  2. Explainable RS with causal graph learning
  3. Cross-domain RS with multiplex graph learning
  4. High-efficiency online RS with large-scale graph learning

已有的工作和数据集

两张特别重要的图，详情到原文里面查看
现有的工作，都是一些经典的baseline
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第19张图片
然后是公开的数据集
Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021_第20张图片
详情和链接请到原论文中查看

你可能感兴趣的:(论文阅读)

按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他