?作者｜Shoujin Wang

單位｜麥考瑞大學博士后

研究方向｜數據挖掘，機器學習，推薦系統

論文簡介

本文給大家介紹一篇被今年國際人工智能聯合會議 IJCAI 2021 接收的從圖機器學習的視角對推薦系統領域最新進展進行梳理和總結的綜述文章。文章題為 Graph Learning based Recommender Systems: A Revie。

這篇文章是基于圖機器學習的推薦系統方向的第一篇較為系統全面的綜述文章。該文短小精悍，沒有太多的公式和推導，更多的是作者對問題和挑戰的思考，對方法的歸類和總結，易于閱讀和理解，尤其適合想要進入該領域的初學者。

讀者可以通過該文快速了解主流和前沿的基于圖學習的推薦系統算法。值得注意的是，作者名單中出現了好幾個該領域內的國際知名專家，如 Francesco Ricci，Philip S. Yu，Xiangnan He 等。

論文標題：

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

論文主要內容

文章深入淺出，從為什么需要建立基于圖學習的推薦系統著手，從較高的層次將基于圖學習的推薦系統進行了較為泛化的形式化定義；然后從數據驅動的角度出發，系統地介紹了推薦系統中涉及到的各種各樣的圖數據以及他們的主要特征，并闡述了這些特征分別給推薦系統帶來的各種挑戰；

緊接著，文章系統地從技術和模型的角度對當前的基于圖學習的推薦系統方法進行了分類，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；

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據集，并提供了代碼鏈接供讀者參考；最后文章展望了該領域的四大未來前沿研究方向。

論文的簡短翻譯

摘要

近些年以來，一個新興領域—基于圖學習的推薦系統（Graph Learning based

Recommender Systems (GLRS)）正快速發展。圖學習的推薦系統主要借助于先進的圖學習技術和方法來為推薦系統更好地學習用戶偏好和物品特征。不同于其他的推薦系統，圖學習推薦系統建立在圖之上。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 （見下列圖Figure 1）。

隨著圖學習技術的發展，探索和利用圖上各種同構或者異構的關系是建立更有效的推薦系統的一個頗具前景的方向。在本文中，我們對基于圖學習的推薦系統進行了一個系統的回顧。我們討論了他們怎樣從圖中抽取知識來提高推薦結果的準確度，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習的推薦系統，然后歸納和分類了這個領域中的主要挑戰和進展，緊接著總結和整理了一些典型的開源算法和常用的公開數據集，最后分享了一些前沿的未來研究方向。

3.1 引言

3.1.1 動機：推薦系統為什么需要圖學習？

（1）推薦系統中的大多數數據本質上就存在著自然的圖結構。

（2）圖學習具有從圖數據中捕獲和學習各種復雜關系的天然優勢。

1.2 形式化定義（見原文）

1.3 本文貢獻

（1）我們系統地分析了推薦系統中各種不同圖數據的主要特征以及他們給推薦任務帶來的關鍵挑戰，并從數據驅動的角度對此進行了分類。這給更好的理解圖學習推薦系統的重要挑戰提供了一個全新的視角。

（2）我們系統地回顧了基于圖學習推薦系統這一領域內最先進的工作，并從技術的角度對他們進行了系統的分類。基于此，我們總結了基于圖學習推薦系統的主要進展。

（3）我們整理并分享了基于圖學習推薦系統的一些最具代表性和最先進的開源算法，以及該領域內最常用的一些公開數據集，并分別提供了鏈接以供讀者參考。

（4）我們分享了一些未來的研究方向，以給讀者提供參考。

3.2 數據特征和挑戰

推薦系統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不同類型的關系相互關聯，如用戶之間的社交關系，用戶與物品間的交互關系，從而生成了不同類型的圖。

在這一節，我們首先根據數據的來源和特征對推薦系統中涉及的不同類型的數據進行分類。對于每一類數據，我們先系統地分析它們的特征，然后討論怎樣用圖來更好地表征他們，最后指出這些特征給構建基于圖學習的推薦系統所帶來的主要挑戰。

一般而言，推薦系統中的數據主要可以分為用戶—物品交互數據（如用戶對物品的打分或點擊），和附帶信息（如用戶和物品的屬性信息）。而交互數據又可以簡單地劃分為一般的無序交互數據和序列交互數據。

基于此，我們把推薦系統涉及到的數據大致分為以下三類：（1）一般交互數據；（2）序列交互數據；（3）附帶信息。每一類又可以分為若干子類。下列表 Table 1 對數據分類，表征每一類數據所用的圖，以及相對應的典型的推薦系統算法進行了總結。

3.3 基于圖學習的推薦系統方法

在這一節，我們介紹基于圖學習推薦系統的最新進展。具體而言，我們介紹了能為第 2 節中討論的挑戰提供解決方案的圖學習的技術和方法，每一類方法都被用來構建了相應的圖學習推薦系統。我們首先從技術的視角對這些圖學習推薦系統的方法進行了分類，然后討論每一類方法的要點以及所取得的主要進展。

下列圖 Figure 2 展示了基于圖學習推薦系統方法的分類。這些圖學習推薦系統方法被劃分為 3 類：（1）基于隨機游走模型的方法；（2）基于圖嵌入技術的方法；和（3）基于圖神經網絡的方法。每一類又可能包含若干子類。

3.4 算法和數據集

為了方便讀者進行基于圖學習推薦系統方面的深入研究，我們收集和整理了一些經典的圖學習推薦系統開源算法和一些常用的用以驗證基于圖學習推薦系統性能的公開數據集，并提供了開源鏈接。開源算法和公開數據集分別列于下表 Table 2 和 Table 3 當中。

3.5 未來研究方向

我們基于前文分析出的挑戰和該領域內目前已經取得的進展，總結出了以下四個未來值得研究的方向供讀者參考：

（1）基于動態圖學習的自進化推薦系統

（2）基于因果圖學習的可解釋推薦系統

（3）基于多重圖學習的跨域推薦系統

（4）基于大規模圖學習的高性能在線推薦系統

3.6 結論

作為人工智能最重要的應用之一，推薦系統幾乎存在于我們日常生活的各個角落。作為人工智能最具有前景的技術之一，圖學習在學習推薦系統中的各類客體間復雜關系上表現出了強大的優勢。

這促成了一個全新的推薦系統范式：基于圖學習的推薦系統，它成為下一代推薦系統的潛力巨大。我們希望這篇綜述給學術界和工業界的人士提供了一個關于基于圖學習推薦系統的挑戰，最新進展以及未來方向的全面概述。

參考文獻

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質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，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、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

?????來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

?????投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。