[论文解读] Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions.

Chen Gao, Yu Zheng+9 more|arXiv (Cornell University)|Sep 27, 2021

Advanced Graph Neural Networks参考文献 194被引用 27

一句话总结

本综述全面回顾了基于图神经网络（GNN）的推荐系统，分析了其在图构建、嵌入传播、优化和效率方面的动机、挑战与方法。系统性地对现有工作进行分类，并指出开放问题与未来方向，提供统一的分类体系及代码仓库链接以支持可复现性。

ABSTRACT

Recommender system is one of the most important information services on today's Internet. Recently, graph neural networks have become the new state-of-the-art approach of recommender systems. In this survey, we conduct a comprehensive review of the literature in graph neural network-based recommender systems. We first introduce the background and the history of the development of both recommender systems and graph neural networks. For recommender systems, in general, there are four aspects for categorizing existing works: stage, scenario, objective, and application. For graph neural networks, the existing methods consist of two categories, spectral models and spatial ones. We then discuss the motivation of applying graph neural networks into recommender systems, mainly consisting of the high-order connectivity, the structural property of data, and the enhanced supervision signal. We then systematically analyze the challenges in graph construction, embedding propagation/aggregation, model optimization, and computation efficiency. Afterward and primarily, we provide a comprehensive overview of a multitude of existing works of graph neural network-based recommender systems, following the taxonomy above. Finally, we raise discussions on the open problems and promising future directions of this area. We summarize the representative papers along with their codes repositories in this https URL.

研究动机与目标

• 提供对基于图神经网络（GNN）的推荐系统的系统性综述，涵盖其发展脉络、核心组件及当前最先进水平。
• 识别并分析基于GNN的推荐中的关键挑战，包括图构建、消息传递、模型优化与计算效率。
• 基于阶段、场景、目标与应用场景，建立统一的分类体系，用于对现有基于GNN的推荐系统进行分类。
• 突出GNN与推荐系统融合中的开放问题及有前景的未来研究方向。
• 整理代表性论文及其公开代码仓库，以支持可复现性与研究的持续发展。

提出的方法

• 从四个维度对基于GNN的推荐系统进行分类：阶段（如物品或用户推荐）、场景（如冷启动、序列推荐）、目标（如排序、多任务学习）与应用（如电子商务、视频推荐）。
• 将GNN模型分类为谱系与空间变体，强调空间GNN（如GCN、GAT）因具备归纳偏置与更好的可扩展性，在推荐中更广泛采用。
• 分析在推荐中使用GNN的动机，包括建模高阶用户-物品交互、利用图结构特性，以及通过消息传递增强监督。
• 调研图构建技术，如用户-物品交互图与知识图集成，并评估其对性能的影响。
• 回顾嵌入传播与聚合机制，包括邻域聚合与基于注意力的消息传递，以捕捉复杂依赖关系。
• 评估优化策略与效率技术，如负采样、小批量训练与近似方法，以实现GNN在大规模推荐系统中的可扩展性。

实验结果

研究问题

• RQ1 将图神经网络应用于推荐系统的根本动机是什么？它们如何优于传统方法？
• RQ2 在基于GNN的推荐中，构建高效用户-物品交互图的主要挑战是什么？
• RQ3 不同GNN架构（谱系 vs. 空间）在推荐任务中的表现如何？其权衡关系是什么？
• RQ4 在训练效率与可扩展性方面，优化基于GNN的推荐模型的最有效策略有哪些？
• RQ5 在GNN与推荐系统融合中，仍存在哪些开放问题与未来研究方向？

主要发现

• 基于GNN的推荐系统已成为最先进方法，因其能够建模用户-物品图中的高阶交互与结构依赖关系。
• 空间GNN（如GCN与GAT）比谱模型更广泛采用，因其具备归纳偏置，并在大规模图上具有更好的可扩展性。
• 图构建是一个关键挑战，用户-物品交互图的质量显著影响下游推荐性能。
• GNN中的消息传递机制通过聚合多跳邻域信息增强监督，从而生成更丰富的用户与物品表征。
• 计算效率仍是主要瓶颈，小批量训练与近似技术对实现GNN在工业级推荐系统中的可扩展性至关重要。
• 本综述整理了代表性论文及其公开代码仓库，有助于研究复现，并加速该领域的未来研究。