[论文解读] Deep Learning on Knowledge Graph for Recommender System: A Survey

Yang Gao, Yifan Li+3 more|arXiv (Cornell University)|Mar 25, 2020

Advanced Graph Neural Networks参考文献 42被引用 34

一句话总结

对基于图神经网络的知识感知深度推荐系统（GNN-KADR）的全面综述，提出图嵌入组件的分类法，并总结数据集、评估与开源代码。

ABSTRACT

Recent advances in research have demonstrated the effectiveness of knowledge graphs (KG) in providing valuable external knowledge to improve recommendation systems (RS). A knowledge graph is capable of encoding high-order relations that connect two objects with one or multiple related attributes. With the help of the emerging Graph Neural Networks (GNN), it is possible to extract both object characteristics and relations from KG, which is an essential factor for successful recommendations. In this paper, we provide a comprehensive survey of the GNN-based knowledge-aware deep recommender systems. Specifically, we discuss the state-of-the-art frameworks with a focus on their core component, i.e., the graph embedding module, and how they address practical recommendation issues such as scalability, cold-start and so on. We further summarize the commonly-used benchmark datasets, evaluation metrics as well as open-source codes. Finally, we conclude the survey and propose potential research directions in this rapidly growing field.

研究动机与目标

• 在推荐系统中定义知识图谱与图神经网络的概念。
• 为 GNN-KADR 系统中的图嵌入模块提供统一的分类法（聚合器和更新器）。
• 评审最前沿的 GNN-KADR 模型及其对冷启动和可扩展性等实际问题的处理。
• 总结基准数据集、评估指标和开源代码。
• 提出未来研究方向，包括动态性、可解释性与公平性。

提出的方法

• 提出一个新的分类法：聚合器（关系无关、关系感知子图、关系感知注意力）和更新器（仅上下文、单次交互、多次交互）。
• 在聚合器/更新器选择上，对具有代表性的 GNN-KADR 模型进行分类和比较。
• 讨论实际推荐问题（可扩展性、冷启动）。
• 总结数据集、指标以及可用的开源实现。
• 就局限性与未来方向提供讨论。

实验结果

研究问题

• RQ1 知识感知深度推荐系统中使用的核心图嵌入组件有哪些？
• RQ2 不同的聚合器与更新器如何影响基于知识图谱的推荐系统的性能与可扩展性？
• RQ3 在该研究领域中，哪些数据集、指标和开源资源占主导？
• RQ4 GNN-KADR 的关键挑战与未来工作潜在方向是什么？
• RQ5 基于 GNN 的方法如何解决推荐中的冷启动和动态性等问题？

主要发现

• 提出了以图嵌入模块为核心的基于GNN的知识感知深度推荐系统（GNN-KADR）的分类法。
• 评估具有代表性的模型并比较它们的聚合器和更新器。
• 突出显示对实际问题（如可扩展性和冷启动）的解决方案。
• 提供基准数据集、评估指标及可用的开源代码的综合摘要。
• 讨论局限性并提出未来方向，如动态性、可解释性、公平性。
• 结论认为关系感知注意力聚合器为大型基于知识图谱的推荐系统提供了可扩展且可解释的建模。