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

Shoujin Wang, Liang Hu+7 more|arXiv (Cornell University)|May 13, 2021

Recommender Systems and Techniques参考文献 59被引用 11

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，该系统利用图结构建模用户-物品交互关系及辅助信息，以提升推荐的准确性、可靠性和可解释性。通过将GLRS形式化为图表示与图学习技术（如GNN和随机游走），本研究系统化地梳理了相关挑战，对当前最先进的方法进行分类，并提出未来关键研究方向，包括动态、因果、跨域及可扩展的图学习，以支持实时系统。

ABSTRACT

Recent years have witnessed the fast development of the emerging topic of Graph Learning based Recommender Systems (GLRS). GLRS employ advanced graph learning approaches to model users' preferences and intentions as well as items' characteristics for recommendations. Differently from other RS approaches, including content-based filtering and collaborative filtering, GLRS are built on graphs where the important objects, e.g., users, items, and attributes, are either explicitly or implicitly connected. With the rapid development of graph learning techniques, exploring and exploiting homogeneous or heterogeneous relations in graphs are a promising direction for building more effective RS. In this paper, we provide a systematic review of GLRS, by discussing how they extract important knowledge from graph-based representations to improve the accuracy, reliability and explainability of the recommendations. First, we characterize and formalize GLRS, and then summarize and categorize the key challenges and main progress in this novel research area. Finally, we share some new research directions in this vibrant area.

研究动机与目标

• 从数据驱动的角度，系统化整理基于图学习的推荐系统（GLRS）中的挑战与进展。
• 根据数据类型对现有GLRS方法进行分类，包括通用交互数据、序列交互数据和辅助信息数据。
• 识别并讨论GLRS中的开放研究方向，如动态图学习、因果推断、多层网络和大规模在线处理。
• 通过图结构与图学习模型，为GLRS提供统一的形式化表达。
• 通过先进的图学习技术，提升推荐的可解释性、可靠性和可扩展性。

提出的方法

• 将GLRS形式化为图 $\mathcal{G} = \{\mathcal{V}, \mathcal{E}\}$，其中节点代表用户、物品和属性，边代表交互关系或关联关系。
• 采用图神经网络（GNN）、随机游走及其他图学习技术，从 $\mathcal{G}$ 中提取拓扑结构与基于内容的表征。
• 训练推荐模型 $M(\Theta)$，通过目标函数 $f(M(\Theta)\mid\mathcal{G})$（如最大化效用或链接预测概率）来优化推荐结果 $\mathcal{R}$。
• 将数据划分为三类：通用交互数据、序列交互数据和辅助信息数据，每类具有不同的图表示需求。
• 利用真实世界数据集（如Amazon、Yelp、Gowalla和Diginetica）评估并展示GLRS在电商、社交和基于位置服务等领域的应用。
• 提出未来的方法论方向，包括用于动态图的自演化模型、用于可解释性的因果图学习、用于跨域推荐的多层图学习，以及面向大规模在线处理的高效算法。

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用户偏好与物品特征？
• RQ2 在基于图的推荐系统中，如何有效表示多样化数据类型（如通用、序列和辅助信息）？
• RQ3 与传统协同过滤或基于内容的过滤方法相比，图学习方法在推荐准确性、可靠性和可解释性方面有何提升？
• RQ4 在动态、因果、跨域和大规模在线环境下，推动GLRS发展的最有前景的未来研究方向是什么？
• RQ5 如何通过图结构形式化，统一表示推荐系统中异构关系？

主要发现

• GLRS通过基于图的表示方法，有效建模用户、物品和属性之间的复杂关系结构，显著提升推荐性能。
• 图神经网络与随机游走能有效捕捉用户-物品交互图中的拓扑与关系模式。
• 用户资料和物品属性等辅助信息可整合进异构图中，从而提升推荐质量与鲁棒性。
• 序列交互数据（如点击流）可通过图学习建模时间动态与用户行为序列，从而获益。
• 现有GLRS在处理动态图方面仍面临挑战，即用户与物品关系随时间演变，亟需自演化模型的支持。
• 因果图学习与多层图学习分别作为可解释性推荐与跨域推荐的关键使能技术正逐步兴起。