[论文解读] Graph Learning Approaches to Recommender Systems: A Review

Shoujin Wang, Liang Hu+8 more|arXiv (Cornell University)|Apr 22, 2020

Recommender Systems and Techniques参考文献 35被引用 28

一句话总结

本文对基于图学习的推荐系统（GLRS）进行了全面综述，通过图结构建模用户-物品交互关系与语义关联，以提升推荐的准确性、可靠性和可解释性。通过形式化GLRS并系统调研同构与异构图学习的最新进展，该研究识别出关键挑战，并勾勒出该新兴领域未来的研究方向。

ABSTRACT

Recent years have witnessed the fast development of the emerging topic of Graph Learning based Recommender Systems (GLRS). GLRS mainly employ the advanced graph learning approaches to model users' preferences and intentions as well as items' characteristics and popularity for Recommender Systems (RS). Differently from conventional RS, including content based filtering and collaborative filtering, GLRS are built on simple or complex graphs where various objects, e.g., users, items, and attributes, are explicitly or implicitly connected. With the rapid development of graph learning, exploring and exploiting homogeneous or heterogeneous relations in graphs is a promising direction for building advanced RS. In this paper, we provide a systematic review of GLRS, on how they obtain the knowledge from graphs to improve the accuracy, reliability and explainability for recommendations. First, we characterize and formalize GLRS, and then summarize and categorize the key challenges in this new research area. Then, we survey the most recent and important developments in the area. Finally, we share some new research directions in this vibrant area.

研究动机与目标

• 提供对基于图学习的推荐系统（GLRS）及其在提升推荐准确性、可靠性和可解释性方面作用的系统性综述。
• 形式化GLRS框架，并对利用图结构建模用户偏好与物品特征的关键挑战进行分类。
• 调研应用于推荐系统的图学习技术的最新进展，包括同构图与异构图方法。
• 识别并讨论GLRS中新兴的研究方向，特别是在利用复杂关系数据构建下一代推荐系统方面的潜力。

提出的方法

• 本文将GLRS形式化为一种框架，将用户、物品和属性视为图中的节点，边表示显式或隐式关系。
• 根据图类型对GLRS进行分类，包括同构图（如用户-物品交互图）和异构图（如包含用户、物品和属性节点的图）。
• 分析图神经网络（GNN）技术（如GCN、GAT和GraphSAGE）在用户-物品交互图上的表示学习能力。
• 综述指出，图学习通过捕捉长距离依赖关系和关系归纳偏置，可提升推荐性能。
• 探讨知识注入技术，如将辅助信息（如物品描述、用户人口统计信息）整合到图结构中。
• 论文评估了通过注意力机制和图可解释性方法，将可解释性与鲁棒性集成到GLRS中的效果。

实验结果

研究问题

• RQ1 如何有效应用图学习技术来建模推荐系统中的用户偏好与物品特征？
• RQ2 在GLRS中，同构图学习与异构图学习之间的关键差异与权衡是什么？
• RQ3 与传统协同过滤或基于内容的方法相比，图神经网络如何提升推荐的准确性与可解释性？
• RQ4 GLRS中可扩展性、稀疏性及动态更新面临的主要挑战是什么？
• RQ5 哪些新兴研究方向有望推动下一代图基推荐系统的发展？

主要发现

• 基于图学习的推荐系统通过图结构捕捉复杂且非线性的用户-物品关系，显著提升了推荐准确性。
• 异构图学习能够更优地建模多类型实体（如用户、物品、属性），从而生成更具表现力和可解释性的推荐结果。
• GCN和GAT等图神经网络在多种基准数据集上优于传统矩阵分解与深度学习基线模型，归因于其聚合邻域信息的能力。
• 通过图构建方式整合辅助信息可提升性能，尤其在冷启动与数据稀疏场景下表现更优。
• 图模型中的注意力机制通过突出显示关键用户-物品交互或特征，提升了推荐的可解释性。
• 综述识别出可扩展性与动态图更新是实际部署GLRS时的关键开放挑战。