0. 综述-Graph Learning based Recommender Systems (GLRS)

paper: Graph Learning Approaches to Recommender Systems: A Review

Introduction

推荐系统中的用户/item/属性之间存在显式或隐式地关系,是一个天然的图结构, 图模型(随机游走或者图神经网络)可以很好地处理关系数据, 图学习主要建模用户偏好和意图/item 特征和受欢迎程度, 可以提升 RS 的准确性/可靠性/可解释性(因果推断能力).

GLRS 形式化: 数据形式根据不同任务和属性有所不同. 因此从更高的视角进行形式化. 设图 $G=\{V,E\}$ , user 和 item 是节点, 关系是边, 推荐系统通过建模改拓扑结构, 形成推荐结果.

$R=argmax(G) \qquad \qquad (1)$

根据不同的场景和数据, 图 G 可以是同构异构的, 静态/动态的, 推荐结果 R 的形式也多种多样, 可以是 predicted rating 或 ranking. 优化目标也不同: they could be the maximal choice utility according to graph topological structure or the maximal probability to form links between nodes.

2 Data Characteristics and Challenges

数据类型	实例	推荐任务	挑战	备注	方法
RS on Tree Graphs	Item hierarchical graphs	Rating prediction	如何学习层次关系	物品分类级别, 类别/子类/样品..., 可以提升推荐丰富度, 避免重复推荐	Knowledge graph [Gao et al., 2019]
RS on Unipartite Graphs (user 或 item 的同构单部图)	用户社交关系图/物品共现(共同出现在一个订单或 session 里)图	朋友推荐, next-item 推荐	如何学习用户内在关系和影响传播关系/如何学习物品间关系		Random walk [Bagci and Karagoz, 2016], Graph neural networks [Wu et al., 2019b; Xu et al., 2019]
RS on Bipartite Graphs 二部图	user-item 交互图, 同构(只有一种交互关系)或异构(多种交互关系)	Top-N 推荐		建模为通过已知边预测未知边的问题, 还要考虑不同类型关系之间的影响(例如点击对购买行为的影响)	Random walk [Li and Chen, 2013]
RS on Attributed Graphs	用户属性图谱, item 属性图谱	朋友推荐/社交推荐		属性图是异构图, 包含两种边, 一种是用户/item 之间的关系, 一种是与属性相连的边, 用户/item 通过共同的属性间接相关	Graph representation learning [Verma et al., 2019], Graph neural networks [Fan et al., 2019]
RS on Complex Heterogeneous Graphs	User-item interaction graphs combined with social relations or item features	社会推荐, 评价预测, top-n 推荐	通过异构信息将两个图联系起来很具有挑战性	解决 user-item 交互数据的稀疏性, 通常将用户关系(social RS)或物品特征(冷启动)与交互信息结合, 形成两种异构图(user-item 交互二部图, user 社交图/item 特征图), 两个图中共用的物品或用户作为两个图的桥梁节点.	Knowledge graph [Palumbo et al., 2017], Graph neural networks [Han et al., 2018]
RS on multi-source heterogeneous graphs	Attributed multiplex heterogeneous graphs (带属性的多重异构图)	Rating prediction, Top-n item recommendations	如何整合多种异构图谱数据?如何从多源异构图提取相关信息, 减少噪声和不相干信息?	user-item 二部图(提供用户偏好和选择信息),用户属性图, 用户社交图谱, 物品属性图谱, 物品共现图谱	Graph representation learning [Cen et al., 2019]

3 Graph Learning Approaches to RS

主要分类:

Random Walk Approach, 通过在图中随机游走更新节点权重, 边权隐式表现节点的偏好或交互传播过程, 然后基于更新后的概率对节点排序.
- 优点: 捕获节点之间复杂的高阶/间接的关系
- 经典算法:
  - 游走方式: basic random walk based RS [Baluja et al., 2008], random walk with restart based RS [Bagci and Karagoz, 2016; Jiang et al., 2018] , 每次转移以固定概率回到开始节点.
  - 转移概率: [Eksombatchai et al., 2018] 每一步都计算一次特定用户转移概率, 提升个性化推荐.
- 应用:
  - [Gori et al., 2007], item ranking
  - [Nikolakopoulos and Karypis, 2019] 用 user-item 二部图进行 top-n 推荐, 用 item-item 近邻关系建模转移概率
- 缺点
  - 每个用户单独游走进行 rank, 代价太大, 不适合大型系统
  - 是一种启发式方法, 没有优化目标, 效果不好.
图表示学习, 将节点映射进低维的隐层表示, 来编码结构信息.
- Graph Factorization Machine based RS (GFMRS), 图因子分解机.
  - 思路: 首先基于图的 meta-path 将内部节点的 commuting 矩阵进行分解 ,得到节点的隐式表示, 作为 RS 的输入 [Wang et al., 2019d].
  - 优点: 学习到了(异构)节点间的复杂关系.
  - 缺点: 受数据稀疏性影响
- Graph Distributed Representation based RS (GDRRS), 图分布表示. 基本都 fellow Skip-gram [Mikolov et al., 2013]模型.
  - 代表:
- Graph Neural Embedding based RS (GNERS), 图神经嵌入.
GNN
- Graph Attention network based RS (GATRS), 图注意力网络.
- Gated Graph Neural Network based RS (GGNNRS), 门控 GNN.
- Graph Convolutional Network based RS (GCNRS), 图卷积网络.
知识图谱
- Ontology based KGRS (OKGRS), 基于实体的方法.
- Side information based KGRS (SKGRS), 基于边信息的方法.
- Common knowledge based KGRS (CKGRS), 基于公共知识的方法.

方法	核心思想	优点	缺点	代表
Random Walk Approach
图表示学习
GNN
知识图谱

https://blog.csdn.net/abcdefg90876/article/details/105885234/ https://mp.weixin.qq.com/s/9X7TENKPV0MMjIW_Eb9xxg

https://mp.weixin.qq.com/s/tyXx3cnlMjk87HE3XzJ4wg https://blog.csdn.net/Andre_Jan/article/details/120195685 https://zhuanlan.zhihu.com/p/114798371

0. 综述-图学习

0. 综述-Graph Learning based Recommender Systems (GLRS)

Introduction

2 Data Characteristics and Challenges

3 Graph Learning Approaches to RS

results matching ""

No results matching ""