WWW 2024 | 港理工等联合提出线性时间图神经网络，适用于大规模推荐系统

©PaperWeekly 原创 · 作者 | 张嘉淏

单位 | 香港理工大学

研究方向 | 图神经网络、推荐系统

论文题目：
Linear-Time Graph Neural Networks for Scalable Reommendations

论文链接：
https://arxiv.org/pdf/2402.13973.pdf

代码链接：
https://github.com/QwQ2000/TheWebConf24-LTGNN-PyTorch

论文作者：
张嘉淏（香港理工大学），薛睿（北卡州立大学），范文琦（香港理工大学），徐鑫（香港理工大学），李青（香港理工大学），裴健（杜克大学），刘孝睿（北卡州立大学）

介绍

在当今信息爆炸的时代，推荐系统通过提供个性化的物品推荐，极大地提升了用户的网络体验。这些系统的关键在于有效理解用户与物品的历史交互，从而捕获用户偏好，精准预测用户未来的行为。

现代推荐系统中最具代表性的技术之一是协同过滤（CF），这一技术的核心目标在于将用户和物品表示为具有强大表征能力的低维嵌入向量，从而使得我们能够利用这些向量之间的相似关系来预测用户对物品的交互倾向。

早期的协同过滤方法，如基于矩阵分解（MF）和深度神经网络（DNNs）的模型，主要关注用户和物品的局部连接关系。这些模型提供了简单高效的解决方案，但是它们对于用户-物品交互中长距离关系的建模有所缺失，这限制了它们对用户偏好的表征能力。

近年来，由于图神经网络（GNNs）在理解用户-物品长程依赖关系上的巨大潜力，基于 GNNs 的推荐模型得到了研究者的广泛关注，并被证明能够有效提升推荐系统的预测性能。

尽管 GNNs 在部分推荐场景下取得了成功，这类模型在可扩展性（Scalability）上仍具有巨大的局限性，这限制了它们在工业级的大规模推荐系统中的广泛使用。

在本文中，研究者指出，现存的主流 GNNs 推荐算法，在计算复杂度上对于用户-物品交互记录的数量具有非线性的依赖关系，这使得此类模型在真实的大规模电商、短视频等场景下难以得到有效应用。

因此，本文着力解决这样一个悬而未决的问题：基于 GNNs 的推荐模型是否可以既像经典的 MF 和 DNNs 一样对数据线性扩展（scale linearly），又表现出优秀的长程建模能力和强大的预测性能？

在本文中，研究者的主要目标围