5-3 图神经网络在推荐系统中的应用

推荐系统和图神经网络

1. 推荐系统概述

• 应用场景：华为多个场景（如广告推荐、APP分发、华为视频、华为音乐等）广泛应用推荐系统。
• 典型结构：包括用户画像、物品属性、上下文信息、历史行为等，形成用户-用户、物品-物品、用户-物品的交互关系。

2. 图神经网络用于召回

• 图神经网络模型：包括Pinsage、LightGCN、NGCF、NIA-GCN、Multi-GCCF、DGCF、SGL、NCL等。
• 关键问题：传统GCN模型忽略了用户-商品二部图的异质性，简单的聚合函数限制了模型的表达能力。
• 改进模型：NIA-GCN通过邻居交互感知的图卷积网络解决了上述问题，性能优于其他方法。

3. 图神经网络用于精排

• 模型：包括GraphFM、GMT、FiGNN、L0-SIGN、HIEN、DGENN等。
• 挑战：特征稀疏性和行为稀疏性。
• 解决方案：DGENN利用图表征学习优化embedding层，引入样本间特征关联和用户间行为关联，显著提升了模型效果。

4. 图神经网络用于重排

• 模型：IRGPR，用于个性化重排序。
• 应用：通过构建商品关系图神经网络，考虑商品间的互补和可替代关系，进行个性化重排序。
• 数据集：Amazon数据集，包含多种关系如Also Bought、Also Viewed、Bought Together、Buy after Viewing等。

5. 总结与展望

• 总结：图神经网络在推荐系统的召回、精排、重排中得到了广泛应用，并取得了显著效果。
• 展望：未来研究将聚焦多行为、多场景、多模态的应用，复杂异质图建模，以及提升模型训练和推理效率。

Q&A

• 实验室目前有多位研究员岗位开放，详情请关注公众号“诺亚实验室”，简历请投递至noahlab@huawei.com。