[论文解读] A Survey of Graph Neural Networks for Social Recommender Systems

Kartik Sharma, Yeon-Chang Lee+5 more|arXiv (Cornell University)|Dec 8, 2022

Recommender Systems and Techniques参考文献 131被引用 18

一句话总结

本综述对社交推荐系统中的图神经网络（GNN）进行了全面分析，对注意力机制、融合、层次化和时序模型等GNN架构进行了分类，并探讨了异质链接强度、时序动态和全局偏好等用户社会学概念。研究发现注意力机制是最为普遍的架构组件，而弱连接和双向与单向社交网络等方向则被识别为未来研究的关键方向。

ABSTRACT

Social recommender systems (SocialRS) simultaneously leverage the user-to-item interactions as well as the user-to-user social relations for the task of generating item recommendations to users. Additionally exploiting social relations is clearly effective in understanding users' tastes due to the effects of homophily and social influence. For this reason, SocialRS has increasingly attracted attention. In particular, with the advance of graph neural networks (GNN), many GNN-based SocialRS methods have been developed recently. Therefore, we conduct a comprehensive and systematic review of the literature on GNN-based SocialRS. In this survey, we first identify 84 papers on GNN-based SocialRS after annotating 2151 papers by following the PRISMA framework (preferred reporting items for systematic reviews and meta-analyses). Then, we comprehensively review them in terms of their inputs and architectures to propose a novel taxonomy: (1) input taxonomy includes 5 groups of input type notations and 7 groups of input representation notations; (2) architecture taxonomy includes 8 groups of GNN encoder notations, 2 groups of decoder notations, and 12 groups of loss function notations. We classify the GNN-based SocialRS methods into several categories as per the taxonomy and describe their details. Furthermore, we summarize benchmark datasets and metrics widely used to evaluate the GNN-based SocialRS methods. Finally, we conclude this survey by presenting some future research directions. GitHub repository with the curated list of papers are available at https://github.com/claws-lab/awesome-GNN-social-recsys.

研究动机与目标

• 系统性地调研基于图神经网络（GNN）的社交推荐系统方法，重点关注架构多样性与社会学建模。
• 识别并分类在社交推荐中应用最广泛的GNN架构，包括注意力、融合、层次化和时序模型。
• 分析用户社会学概念（如异质链接强度、时序演化和全局偏好建模）在基于GNN的推荐系统中的整合方式。
• 揭示当前研究中的研究空白，特别是关于弱连接和平台特定动态（如Facebook与Twitter的对比）的问题，并提出未来研究方向。
• 建立GNN架构与用户社会学因素的分类体系，为未来基于GNN的社交推荐研究提供基础参考。

提出的方法

• 基于PRISMA框架在Scopus数据库中开展系统性文献综述，筛选标题或摘要中包含“social”、“graph”和“recommendation”的论文，发表时间在2009年之后。
• 应用预设的纳入标准，对初始的1958篇结果进行人工标注，划分为“是”、“否”或“可能相关”三类，最终确定41篇相关论文。
• 根据模型设计与组件整合方式，将GNN架构分类为：基于注意力、基于融合、以物品为节点、层次化、时序型和共生型。
• 将用户社会学概念映射为异质链接强度、时序动态和全局偏好建模等维度，分析其出现频率与影响。
• 将研究发现整合为两个分类体系：一个用于GNN架构，另一个用于用户社会学因素，并对GraphRec、HIDM、ASR和GAT-NSR等代表性模型进行详细分析。
• 识别出跨领域的趋势，如注意力机制常与其他组件（如层次化或时序结构）结合使用，并突出具有新颖结构创新的模型。

实验结果

研究问题

• RQ1 基于GNN的社交推荐系统中，主流的架构设计是什么？它们在结构与组件整合方面有何差异？
• RQ2 在GNN框架中，用户社会学概念（如异质链接强度、时序动态和全局偏好）是如何建模的？
• RQ3 最常见的架构组件（如注意力、融合、时序建模）是什么？它们在最先进模型中如何组合？
• RQ4 当前文献中哪些用户社会学因素尚未被充分探索？这对未来推荐个性化有何影响？
• RQ5 平台特定特征（如双向与单向社交网络）如何影响基于GNN的社交推荐系统的设计与有效性？

主要发现

• 注意力机制是最广泛采用的架构组件，使模型能够动态加权社交图中不同邻居的影响。
• 大多数模型结合了多种架构概念（如注意力与层次化或时序结构），表明向混合型、多组件设计发展的趋势。
• 异质链接强度建模是捕捉不同社会影响力程度的关键因素，HeteroGraphRec和ASR等模型通过该方法实现了性能提升。
• 时序建模正越来越多地被整合进GNN中，TGRec和EGFRec等模型在捕捉用户偏好与社会动态的演化方面表现出更强性能。
• 尽管注意力与融合模型广泛存在，但仅有少数研究探索弱连接或平台特定的社会动态，表明存在显著的研究空白。
• 本综述识别出41篇相关论文，并构建了两个全面的分类体系——一个用于GNN架构，另一个用于用户社会学因素——为未来研究提供了基础参考。