?作者｜Shoujin Wang

單位｜麥考瑞大學(xué)博士后

研究方向｜數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，推薦系統(tǒng)

論文簡(jiǎn)介

本文給大家介紹一篇被今年國(guó)際人工智能聯(lián)合會(huì)議 IJCAI 2021 接收的從圖機(jī)器學(xué)習(xí)的視角對(duì)推薦系統(tǒng)領(lǐng)域最新進(jìn)展進(jìn)行梳理和總結(jié)的綜述文章。文章題為 Graph Learning based Recommender Systems: A Revie。

這篇文章是基于圖機(jī)器學(xué)習(xí)的推薦系統(tǒng)方向的第一篇較為系統(tǒng)全面的綜述文章。該文短小精悍，沒(méi)有太多的公式和推導(dǎo)，更多的是作者對(duì)問(wèn)題和挑戰(zhàn)的思考，對(duì)方法的歸類和總結(jié)，易于閱讀和理解，尤其適合想要進(jìn)入該領(lǐng)域的初學(xué)者。

讀者可以通過(guò)該文快速了解主流和前沿的基于圖學(xué)習(xí)的推薦系統(tǒng)算法。值得注意的是，作者名單中出現(xiàn)了好幾個(gè)該領(lǐng)域內(nèi)的國(guó)際知名專家，如 Francesco Ricci，Philip S. Yu，Xiangnan He 等。

論文標(biāo)題：

Graph Learning Approaches to Recommender Systems: A Review

論文鏈接：

https://www.researchgate.net/publication/350979695_Graph_Learning_based_Recommender_Systems_A_Review

論文主要內(nèi)容

文章深入淺出，從為什么需要建立基于圖學(xué)習(xí)的推薦系統(tǒng)著手，從較高的層次將基于圖學(xué)習(xí)的推薦系統(tǒng)進(jìn)行了較為泛化的形式化定義；然后從數(shù)據(jù)驅(qū)動(dòng)的角度出發(fā)，系統(tǒng)地介紹了推薦系統(tǒng)中涉及到的各種各樣的圖數(shù)據(jù)以及他們的主要特征，并闡述了這些特征分別給推薦系統(tǒng)帶來(lái)的各種挑戰(zhàn)；

緊接著，文章系統(tǒng)地從技術(shù)和模型的角度對(duì)當(dāng)前的基于圖學(xué)習(xí)的推薦系統(tǒng)方法進(jìn)行了分類，并介紹了每一類方法的基本思想和原理以及所解決的挑戰(zhàn)；

為了方便讀者的研究工作，文章整理了一些最有代表性的開源算法和一些最常用的公開數(shù)據(jù)集，并提供了代碼鏈接供讀者參考；最后文章展望了該領(lǐng)域的四大未來(lái)前沿研究方向。

論文的簡(jiǎn)短翻譯

摘要

近些年以來(lái)，一個(gè)新興領(lǐng)域—基于圖學(xué)習(xí)的推薦系統(tǒng)（Graph Learning based

Recommender Systems (GLRS)）正快速發(fā)展。圖學(xué)習(xí)的推薦系統(tǒng)主要借助于先進(jìn)的圖學(xué)習(xí)技術(shù)和方法來(lái)為推薦系統(tǒng)更好地學(xué)習(xí)用戶偏好和物品特征。不同于其他的推薦系統(tǒng)，圖學(xué)習(xí)推薦系統(tǒng)建立在圖之上。在圖上，包括用戶，物品等各種客體都是顯式或隱式地相互連接的 （見(jiàn)下列圖Figure 1）。

隨著圖學(xué)習(xí)技術(shù)的發(fā)展，探索和利用圖上各種同構(gòu)或者異構(gòu)的關(guān)系是建立更有效的推薦系統(tǒng)的一個(gè)頗具前景的方向。在本文中，我們對(duì)基于圖學(xué)習(xí)的推薦系統(tǒng)進(jìn)行了一個(gè)系統(tǒng)的回顧。我們討論了他們?cè)鯓訌膱D中抽取知識(shí)來(lái)提高推薦結(jié)果的準(zhǔn)確度，可靠性和可解釋性。

具體而言，我們首先刻畫和形式化定義了基于圖學(xué)習(xí)的推薦系統(tǒng)，然后歸納和分類了這個(gè)領(lǐng)域中的主要挑戰(zhàn)和進(jìn)展，緊接著總結(jié)和整理了一些典型的開源算法和常用的公開數(shù)據(jù)集，最后分享了一些前沿的未來(lái)研究方向。

3.1 引言

3.1.1 動(dòng)機(jī)：推薦系統(tǒng)為什么需要圖學(xué)習(xí)？

（1）推薦系統(tǒng)中的大多數(shù)數(shù)據(jù)本質(zhì)上就存在著自然的圖結(jié)構(gòu)。

（2）圖學(xué)習(xí)具有從圖數(shù)據(jù)中捕獲和學(xué)習(xí)各種復(fù)雜關(guān)系的天然優(yōu)勢(shì)。

1.2 形式化定義（見(jiàn)原文）

1.3 本文貢獻(xiàn)

（1）我們系統(tǒng)地分析了推薦系統(tǒng)中各種不同圖數(shù)據(jù)的主要特征以及他們給推薦任務(wù)帶來(lái)的關(guān)鍵挑戰(zhàn)，并從數(shù)據(jù)驅(qū)動(dòng)的角度對(duì)此進(jìn)行了分類。這給更好的理解圖學(xué)習(xí)推薦系統(tǒng)的重要挑戰(zhàn)提供了一個(gè)全新的視角。

（2）我們系統(tǒng)地回顧了基于圖學(xué)習(xí)推薦系統(tǒng)這一領(lǐng)域內(nèi)最先進(jìn)的工作，并從技術(shù)的角度對(duì)他們進(jìn)行了系統(tǒng)的分類。基于此，我們總結(jié)了基于圖學(xué)習(xí)推薦系統(tǒng)的主要進(jìn)展。

（3）我們整理并分享了基于圖學(xué)習(xí)推薦系統(tǒng)的一些最具代表性和最先進(jìn)的開源算法，以及該領(lǐng)域內(nèi)最常用的一些公開數(shù)據(jù)集，并分別提供了鏈接以供讀者參考。

（4）我們分享了一些未來(lái)的研究方向，以給讀者提供參考。

3.2 數(shù)據(jù)特征和挑戰(zhàn)

推薦系統(tǒng)通常涉及多種不同的客體，比如用戶，物品，屬性，以及上下文等。所有這些客體都通過(guò)不同類型的關(guān)系相互關(guān)聯(lián)，如用戶之間的社交關(guān)系，用戶與物品間的交互關(guān)系，從而生成了不同類型的圖。

在這一節(jié)，我們首先根據(jù)數(shù)據(jù)的來(lái)源和特征對(duì)推薦系統(tǒng)中涉及的不同類型的數(shù)據(jù)進(jìn)行分類。對(duì)于每一類數(shù)據(jù)，我們先系統(tǒng)地分析它們的特征，然后討論怎樣用圖來(lái)更好地表征他們，最后指出這些特征給構(gòu)建基于圖學(xué)習(xí)的推薦系統(tǒng)所帶來(lái)的主要挑戰(zhàn)。

一般而言，推薦系統(tǒng)中的數(shù)據(jù)主要可以分為用戶—物品交互數(shù)據(jù)（如用戶對(duì)物品的打分或點(diǎn)擊），和附帶信息（如用戶和物品的屬性信息）。而交互數(shù)據(jù)又可以簡(jiǎn)單地劃分為一般的無(wú)序交互數(shù)據(jù)和序列交互數(shù)據(jù)。

基于此，我們把推薦系統(tǒng)涉及到的數(shù)據(jù)大致分為以下三類：（1）一般交互數(shù)據(jù)；（2）序列交互數(shù)據(jù)；（3）附帶信息。每一類又可以分為若干子類。下列表 Table 1 對(duì)數(shù)據(jù)分類，表征每一類數(shù)據(jù)所用的圖，以及相對(duì)應(yīng)的典型的推薦系統(tǒng)算法進(jìn)行了總結(jié)。

3.3 基于圖學(xué)習(xí)的推薦系統(tǒng)方法

在這一節(jié)，我們介紹基于圖學(xué)習(xí)推薦系統(tǒng)的最新進(jìn)展。具體而言，我們介紹了能為第 2 節(jié)中討論的挑戰(zhàn)提供解決方案的圖學(xué)習(xí)的技術(shù)和方法，每一類方法都被用來(lái)構(gòu)建了相應(yīng)的圖學(xué)習(xí)推薦系統(tǒng)。我們首先從技術(shù)的視角對(duì)這些圖學(xué)習(xí)推薦系統(tǒng)的方法進(jìn)行了分類，然后討論每一類方法的要點(diǎn)以及所取得的主要進(jìn)展。

下列圖 Figure 2 展示了基于圖學(xué)習(xí)推薦系統(tǒng)方法的分類。這些圖學(xué)習(xí)推薦系統(tǒng)方法被劃分為 3 類：（1）基于隨機(jī)游走模型的方法；（2）基于圖嵌入技術(shù)的方法；和（3）基于圖神經(jīng)網(wǎng)絡(luò)的方法。每一類又可能包含若干子類。

3.4 算法和數(shù)據(jù)集

為了方便讀者進(jìn)行基于圖學(xué)習(xí)推薦系統(tǒng)方面的深入研究，我們收集和整理了一些經(jīng)典的圖學(xué)習(xí)推薦系統(tǒng)開源算法和一些常用的用以驗(yàn)證基于圖學(xué)習(xí)推薦系統(tǒng)性能的公開數(shù)據(jù)集，并提供了開源鏈接。開源算法和公開數(shù)據(jù)集分別列于下表 Table 2 和 Table 3 當(dāng)中。

3.5 未來(lái)研究方向

我們基于前文分析出的挑戰(zhàn)和該領(lǐng)域內(nèi)目前已經(jīng)取得的進(jìn)展，總結(jié)出了以下四個(gè)未來(lái)值得研究的方向供讀者參考：

（1）基于動(dòng)態(tài)圖學(xué)習(xí)的自進(jìn)化推薦系統(tǒng)

（2）基于因果圖學(xué)習(xí)的可解釋推薦系統(tǒng)

（3）基于多重圖學(xué)習(xí)的跨域推薦系統(tǒng)

（4）基于大規(guī)模圖學(xué)習(xí)的高性能在線推薦系統(tǒng)

3.6 結(jié)論

作為人工智能最重要的應(yīng)用之一，推薦系統(tǒng)幾乎存在于我們?nèi)粘Ｉ畹母鱾€(gè)角落。作為人工智能最具有前景的技術(shù)之一，圖學(xué)習(xí)在學(xué)習(xí)推薦系統(tǒng)中的各類客體間復(fù)雜關(guān)系上表現(xiàn)出了強(qiáng)大的優(yōu)勢(shì)。

這促成了一個(gè)全新的推薦系統(tǒng)范式：基于圖學(xué)習(xí)的推薦系統(tǒng)，它成為下一代推薦系統(tǒng)的潛力巨大。我們希望這篇綜述給學(xué)術(shù)界和工業(yè)界的人士提供了一個(gè)關(guān)于基于圖學(xué)習(xí)推薦系統(tǒng)的挑戰(zhàn)，最新進(jìn)展以及未來(lái)方向的全面概述。

參考文獻(xiàn)

Shoujin Wang, Liang Hu, Yan Wang, Xiangnan He, Quan Z. Sheng, Mehmet Orgun, Longbing Cao, Francesco Ricci, Philip S. Yu. Graph Learning based Recommender Systems: A Review. IJCAI 2021.

更多閱讀

#投 稿?通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認(rèn)識(shí)的人。

總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來(lái)。

?????來(lái)稿標(biāo)準(zhǔn)：

? 稿件確系個(gè)人原創(chuàng)作品，來(lái)稿需注明作者個(gè)人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?

? 如果文章并非首發(fā)，請(qǐng)?jiān)谕陡鍟r(shí)提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會(huì)添加“原創(chuàng)”標(biāo)志

?????投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請(qǐng)單獨(dú)在附件中發(fā)送?

? 請(qǐng)留下即時(shí)聯(lián)系方式（微信或手機(jī)），以便我們?cè)诰庉嫲l(fā)布時(shí)和作者溝通

????

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁(yè)搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結(jié)

以上是生活随笔為你收集整理的当推荐系统遇上图学习：基于图学习的推荐系统最新综述的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。