[论文解读] Graph Neural Networks in Recommender Systems: A Survey

Shiwen Wu, Fei Sun+3 more|arXiv (Cornell University)|Nov 4, 2020

Advanced Graph Neural Networks被引用 109

一句话总结

对基于GNN的推荐系统的综合综述，提出按信息类型和任务划分的分类法，并讨论挑战、模型和未来方向。

ABSTRACT

With the explosive growth of online information, recommender systems play a key role to alleviate such information overload. Due to the important application value of recommender systems, there have always been emerging works in this field. In recommender systems, the main challenge is to learn the effective user/item representations from their interactions and side information (if any). Recently, graph neural network (GNN) techniques have been widely utilized in recommender systems since most of the information in recommender systems essentially has graph structure and GNN has superiority in graph representation learning. This article aims to provide a comprehensive review of recent research efforts on GNN-based recommender systems. Specifically, we provide a taxonomy of GNN-based recommendation models according to the types of information used and recommendation tasks. Moreover, we systematically analyze the challenges of applying GNN on different types of data and discuss how existing works in this field address these challenges. Furthermore, we state new perspectives pertaining to the development of this field. We collect the representative papers along with their open-source implementations in https://github.com/wusw14/GNN-in-RS.

研究动机与目标

• 推动在推荐系统中使用图神经网络来建模图结构数据。
• 提供一个基于信息类型和任务的GNN基推荐模型的系统分类法。
• 识别将GNN应用于各种数据模态（如社交、知识图谱）的核心挑战并讨论解决方案。
• 总结代表性模型、数据集和评估实践，以指导未来的研究与实践。
• 概述九个潜在的未来方向，以推进基于GNN的推荐系统。

提出的方法

• 提出一种新分类法，按信息类型和推荐任务对模型进行分类（用户-物品协同过滤、序列、社交、基于知识图谱的，以及其他任务）。
• 回顾并总结五类GNN技术（GCN、GraphSAGE、GAT、GGNN、HGNN）及其在推荐中的相关性。
• 讨论基于GNN的推荐模型中的图构建策略、邻居聚合方法和信息更新机制。
• 分析尚存挑战以及现有工作如何解决可扩展性、异质性和高阶连接性等问题。
• 提供对基于GNN的推荐研究中使用的基准数据集和评估指标的综述。
• 基于观察到的差距和趋势，提供对未来研究方向的指导。

实验结果

研究问题

• RQ1 用于构建基于GNN的推荐系统的主导信息类型有哪些？它们如何映射到推荐任务？
• RQ2 不同的GNN架构（GCN、GraphSAGE、GAT、GGNN、HGNN）在不同的推荐场景中的表现如何？会产生哪些挑战（可扩展性、异质性、高阶关系）？
• RQ3 在图构建和邻域聚合方面存在哪些策略以提升推荐性能？
• RQ4 基于GNN的推荐系统的标准数据集和评估实践有哪些？哪些真实世界部署体现了它们的实用性？

主要发现

• 作者提出了一个新的分类法，根据信息类型和任务来组织基于GNN的推荐模型（五个类别）。
• 该综述提供了对代表性模型的全面评述，强调它们如何解决各类别中的核心问题。
• 他们确定了九个潜在的未来方向，以引导后续的基于GNN的推荐系统研究。
• 本文讨论了实际部署方面的考虑因素，包括图构建、邻居采样和用于可扩展性的聚合方法。
• 他们通过将图学习的进展与推荐系统需求和数据特征联系起来，综合出整体格局。