基于推荐的GNN方法导读

GNN方法是在确定的图结构中，通过迭代计算，最后求出User和item的向量表示。GNN分为五部分：

1. 嵌入层

先在给定的图结构中通过one-hot等方法获得item和users的向量初步表示矩阵E_v和E_u，对于任何一个uesr和item，通过运算执行去获得向量矢量表示（embedding vector）e_v/u ∈R^d，对于此向量作为一个初始值并将其传入到下阶段进行聚合传播。

2. 嵌入聚合层

此层的目的是真实可靠的收集和聚合邻居节点的信息，在user-item图结构中，有两种聚合方式（item聚合方式和user聚合方式）：

e_u/v是第一步中得到的矢量，N_u是和user存在相互作用的item的矢量集合（user的一阶邻居），N_v是和item存在相互作用的user的矢量集合（item的一阶邻居），最终得到的n_u/v向量是聚合了邻居节点信息的表征向量。f(·)是聚合函数。

3. 嵌入传播层

为了获得高阶user和item交互信息，GNN采用多层神经网络进行训练得到l+1次的向量表示。h_u^(l)和h_v^(l)被定义为user和item的第l层的向量嵌入表示，之后，得到第l+1层的向量表示主要为两个步骤：（1）将第l层的邻居们的向量聚合成一个合适长度的n^l+1向量。（2）将前一步得到的邻居们的向量和节点在第l层自己的向量聚合。最终得到第（l+1）层的向量。

4. 预测层

经过l层神经网络的迭代后我们得到了item和user的集合{h_u⁽¹⁾, h_u⁽²⁾, …, h_u^(l)}和{h_v⁽¹⁾, h_v⁽²⁾, …, h_v^(l)}，最后user和item的向量表示为e_u^*和e_v^*，o(·)是融合函数。

一些论文也直接使用最后一层的向量作为最后的向量表示，或者将所有层得到的向量相互拼接，或者是采用加权方式进行融合以此得到最后的表征向量。
最后，应用内积来估计用户对目标物品的偏好，如下所示：

（注意，内积也被用作推荐的相似度分数，以作为top-k推荐方法。）

5. 联合训练

给定一个训练样本(u, v)，训练得出其中的（e_u^*, e_v^*），此节点对（u，v）的相似度可以被定义成：

这里V表示所有item的集合，V_u^-是和给定节点user u没有相互关系的item的集合，v_n表示和user u没有相互关系的一个样本。
但是要是用所有item的负样本进行模型训练的话，训练代价是非常高的，所以可以采用选取一部分负样本进行训练的方式进行模型的训练：

v_n ~ p_n(·)代表了预先选取的负样本的集合。

6. 损失函数

基于推荐的GNN的损失函数是最小化下式并进行迭代以求得最终的向量表示结果（D是该网络中所有user-item的连边集合）：

注：基于推荐的GNN方法出自论文《STAM: A Spatiotemporal Aggregation Method for Graph Neural Network-based Recommendation》，建议读完此文章之后再看上述论文，可以对文章有着更好的理解。