为什么我们要使用GNN来做(改进)推荐系统模型?
由于推荐系统的高实际价值,越来越多的研究人员开始提出基于会话的推荐方案。
基于马尔可夫链的推荐系统:该模型基于用户上一次的行为来预测用户的下一次行为,然而由于强独立性相关假设,该模型的预测结果并不十分准确。
基于循环神经网络(RNN)的推荐系统:相比于传统的推荐问题,基于会话的推荐问题的不同点在于如何利用用户的短期会话交互信息数据来预测用户可能会感兴趣的内容。
基于会话的推荐可以建模为序列化问题,也就是基于用户的短期历史活动记录来预测下一时刻可能会感兴趣的内容并点击阅览。而深度学习中的RNN模型正是一类用于处理序列数据的神经网络。随着序列的不断推进,RNN模型中靠前的隐藏层将会影响后面的隐藏层。于是将用户的历史记录交互数据作为输入,经过多层神经网络,达到预测用户兴趣的目的。该模型也达到了令人满意的预测结果。
图神经网络(GNN)的简介:
近些年来,图神经网络GNN在社交网络、指示图、推荐系统甚至于生命科学领域得到了越来越广泛的应用。
图(Gragh)
在讨论GNN之前,先了解一下什么是图G(V,E):V是顶点集合,E是包含的边的集合。