Andre_Jan的博客

一篇2021年最新的图神经网络应用在推荐系统的综述性文章：Graph Neural Networks in Recommender Systems: A Survey 论文阅读笔记，论文收录于ACM Computing Surveys，文章包括图神经网络基础知识介绍和推荐系统（一般推荐和顺序推荐）的基本流程介绍最后，是关于一些基于图神经网络在推荐领域的可拓展工作的总结

文章开发一种由顺序超图构成的下一项推荐框架HyperRec - (i) 采用超图来表示短期项目相关性，并应用多个卷积层来捕获超图中的多阶连接； - (ii) 使用残差门控层对不同时间段之间的连接进行建模； - (iii) 配备融合层，将动态项目嵌入和短期用户意图结合到每个交互的表示中，然后将其输入到自注意力层以进行动态用户建模。

考虑到目标项目的多样性和用户的兴趣，固定向量会限制推荐模型的表示能力。- 提出了一种新的目标注意力图神经网络 (TAGNN) 模型，用于基于会话的推荐。 - 在 TAGNN 中，目标感知注意力自适应地激活不同用户对不同目标项目的兴趣。 - 学习到的兴趣表示向量随着目标项目的不同而变化，极大地提高了模型的表达能力。 - TAGNN 利用图神经网络来捕获会话中丰富的项目转换

文章关注通过对小项目集的抽样与对完整项目集的评估不一致的评估的影响。使用三种不同的评估策略（1）完整项目集、（2）流行度抽样和（3）均匀随机抽样获得GRU、NARM 、 SASRec 、BERT4Rec模型性能排名进行了比较评估。得出结论：独立于数据集、抽样类型或负样本项目数量的选择，抽样评估可能无法近似通过正确考虑完整项目集获得的排名。在比较不同顺序推荐模型的性能时，这是一个糟糕的选择，并且无法避免在整个项目集上计算指标。

提出了一种新颖的基于自我注意的顺序模型 SASRec，用于下一个项目推荐。SASRec 对整个用户序列进行建模（没有任何循环或卷积操作），提出一个基于自我注意的序列模型 (SASRec)，该模型允许我们捕获长期语义（如 RNN），但使用注意机制，使其预测基于在相对较少的动作上（如 MC）

在线平台中，记录的用户行为数据不可避免地包含噪声，深度推荐模型很容易在这些记录的数据上过拟合。为了解决这个问题，论文从信号处理中借鉴了滤波算法的思想，以衰减频域中的噪声。将过滤算法（例如，带阻滤波器）与全 MLP 架构相结合。提出FMLP-Rec，一种具有可学习过滤器的全 MLP 模型，用于顺序推荐任务。全 MLP 架构使模型具有较低的时间复杂度，并且可学习的滤波器可以通过 SGD（随机梯度下降） 进行优化，以自适应地衰减频域中的噪声信息。

论文链接：https://arxiv.org/ftp/arxiv/papers/2004/2004.11718.pdf目录0.摘要1.介绍2.数据特征和挑战3.面向RS的图学习方法(GLRS)4.开放式研究方向5.结论0.摘要与传统的RS(包括基于内容的过滤和协作过滤)不同，基于图学习的推荐系统（GLRS）建立在简单或复杂的图上，其中各种对象(例如，用户、项目和属性)被显式或隐式地连接。随着图学习的快速发展，探索和利用图中...

本文首先介绍了推荐系统和图形神经网络的发展背景和历史。对于推荐系统来说有四个方面: 阶段、情景、目标和应用。对于图形神经网络，现有的方法包括谱模型和空间模型两大类。然后讨论了图神经网络应用于推荐系统的动机，主要包括高阶连通性、数据的结构特性和增强的监督信号。然后系统地分析了图构造、嵌入传播/聚合、模型优化和计算效率方面的挑战。然后，我们根据上面的分类法，对大量现有的基于图形神经网络的推荐系统的工作进行了全面的概述。最后，对该领域尚未解决的问题和未来的发展方向进行了讨论

包括SR-GNN：Session-based Recommendation with Graph Neural Networks论文的整体框架以及其算法的流程解读