Graph Learning based Recommender Systems: A Review，速览图推荐系统综述 IJCAI2021

最新推荐文章于 2023-01-30 20:30:15 发布
最新推荐文章于 2023-01-30 20:30:15 发布
阅读量652 收藏 4
点赞数
分类专栏： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hhmy77/article/details/116806464
版权

文章目录

本文首发于公众号：code路漫漫，欢迎关注
在这里插入图片描述

IJCAI2021年图推荐综述，原文地址
https://www.researchgate.net/publication/350979695_Graph_Learning_based_Recommender_Systems_A_Review

数据分类以及模型

在这里插入图片描述
数据可以分类为两种，一种是用户物品交互信息，另一种是边信息。在交互信息中可以继续细分，序列交互数据物品的点击顺序具有时效性，剩下的就是一般交互数据类型

一般交互数据的图推荐系统

在这里插入图片描述
交互类型可以分为隐式交互和显示交互，以往常用的方法是矩阵补全，引入了graph learning算法后，图可以缓解冷启动和数据稀疏问题，原理就是通过信息传播（information propagation）聚合邻居结点信息用于生成表示
但是信息传播本身也有一些挑战

信息传播的方法很多，如何更高效的利用信息是一个难题
在图学习算法中，可以利用 auto-encoder 来做信息传播，根据具体的方法又可以划分为很多类

序列交互数据的图推荐系统

在这里插入图片描述
首先我们对数据进行讨论，如果序列数据中只有一种交互方式，例如购买，我们称之为单类型交互数据集；如果序列数据中由多种交互类型，那么我们称之为多类型交互数据集。
序列数据最终都可以建模为单向图
在这里插入图片描述
一旦涉及到图推荐，信息传播就是绕不开的问题，当处理序列数据的时候，如何有效的把序列关系建模成图也是一个研究的热点。用信息损失较小的方式构建图结构，就能获得更好的推荐性能
对于两种类型的交互数据，这里也列举了一些工作

利用边信息的推荐系统

在这里插入图片描述
用户物品的交互信息往往比较稀疏，利用边信息提高推荐效果是常见的方法
边信息又可以分类三种
在这里插入图片描述
在这里插入图片描述
融合了边信息的图，会使得图的结构变复杂，如何有效的提取信息是这类系统的挑战

结合知识图谱的推荐系统

在这里插入图片描述
引入知识图谱也是图推荐里面热门的研究点，但随之额外也带来了一些挑战。知识图谱会让图结构变得非常复杂，如何有效的进行信息传播是一个问题。

图推荐的算法

在这里插入图片描述

随机游走

在这里插入图片描述
早些年的工作采用的方法，优点是能够用邻居节点信息生成当前节点的表示（后来这一优点被表达能力更强的GCN代替)，缺点也很明显，破坏了图结构信息（每次随机游走都是不确定的，而且游走了多步后，当前节点和游走到的结点可能并没有多大联系）、训练代价高、缺乏优化空间。

Graph Embedding

在这里插入图片描述
Embedding的原理就是把图节点embedded到低维空间中，计算每个结点在低维空间的向量，用于得到图的结构信息。
根据embedding方法的不同，又可以继续细分
在这里插入图片描述

  1. Graph Factorization based RS (GFRS)
    GFRS首先对图上基于元路径的节点间交换矩阵进行因式分解，得到每个节点的嵌入
    容易受到数据稀疏性的影响
  2. Graph Distributed Representation based RS (GDRRS)
    它们将有关用户或项目及其相邻关系的信息编码为一个低维向量
    GDRRS通常首先使用随机漫步来生成在一个元路径中同时出现的节点序列，然后使用跳过gram或类似的模型来生成节点表示以供推荐。
    通过利用其在图中编码节点间连接的强大能力，GDRRS被广泛应用于同构和异构图，用于捕获由RS管理的各种对象之间的关系
  3. Graph Neural Embedding based RS (GNERS)
    GNERS利用神经网络，如多层感知器，自动编码器，来学习用户或项目嵌入。

Graph Neural Network Approach

就是现在常用的技术了

在这里插入图片描述
这里一共分为三类

  1. 引入注意力机制
  2. Gated Graph Neural Network
  3. GCN

在这里插入图片描述
注意力机制是现在model的常用机制了，引入它是为了区分不同信息的重要性，在注意力机制的计算方式上做改进可能会有不错的效果
在这里插入图片描述
GGNN也是常见的做法
在这里插入图片描述
GCN捕捉邻居节点的信息用于生成当前节点的表示

未来研究方向

在这里插入图片描述

  1. Self-evolutionary RS with dynamic-graph learning
    在现实世界中，用户、物品和交互不断产生，导致图的结构不断变化
    这种动态性直接影响了用户和物品的建模，知道了推荐结果的改变
    现有的推荐系统并没有考虑到这种动态性
    因此，设计基于动态图的自进化RS是一个有前途的研究方向。
  2. Explainable RS with causal graph learning
  3. Cross-domain RS with multiplex graph learning
  4. High-efficiency online RS with large-scale graph learning

已有的工作和数据集

两张特别重要的图，详情到原文里面查看
现有的工作，都是一些经典的baseline
在这里插入图片描述
然后是公开的数据集
在这里插入图片描述
详情和链接请到原论文中查看

hhmy77
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
A Survey on Knowledge Graph-Based Recommender Systems 知识图谱提升推荐系统准确性与可解释性ArXiv 2020
u013602059的专栏
04-06 5285
论文链接：https://arxiv.org/pdf/2003.00911.pdf 导读 近来，知识图谱用于推荐系统是关注的焦点，能够提升推荐系统的准确性与可解释性。如何将知识图谱融入到推荐系统呢? 最近中科院计算所百度微软等学者最新综述论文《A Survey on Knowledge Graph-Based Recommender Systems》，阐述对基于知识图谱的推荐系统进行了系统的...
基于知识图谱的推荐综述
qq_44074153的博客
06-25 447
一.A Survey on Knowledge Graph-Based Recommender Systems 基于知识图谱的推荐系统综述 来源：TKDE 2020 论文链接：https://arxiv.org/abs/2003.00911v1 1.内容简介：介绍了基于知识图谱做推荐的方法 1）基于路径的方法 2）基于embedding的方法 3）基于联合的方法 注：图片是别的博主画的，时间太久忘记是哪位了。侵删 2.模型总结: 二.Graph Learning based Recommender S
Graph Learning based Recommender Systems: A ReviewyIJCAI2021一篇基于图学习的推荐系统综述
weixin_43401022的博客
01-10 162
原文链接Graph Learning based Recommender Systems: A Review (ijcai.org) 根据RS中的数据分类 GLRS Built on General Interaction Data The recommendation task based on this general interaction data is usually formulated as a matrix completion task. it is challenging..
2021_IJCAI_Graph Learning based Recommender Systems: A Review—(IJCAI, 2021)
weixin_46645827的博客
12-29 1603
(十二) Graph Learning based Recommender Systems: A Review—(IJCAI, 2021)-- Shoujin Wang, Liang Hu, Yan Wang, Xiangnan He, Quan Z. Sheng, Mehmet A. Orgun, Longbing Cao, Francesco Ricci and Philip S. Yu7 论文下载地址：https://arxiv.org/abs/2105.06339 发表期刊：IJCAI Publis
Graph Learning based Recommender Systems- A Review
sinat_41679123的博客
06-08 143
21-ijcai-Graph Learning based Recommender Systems- A Review
【IJCAI2021】《Graph Learning based Recommender Systems:A Review》论文笔记
十八子的博客
12-11 1713
《Graph Learning based Recommender Systems:A Review》 《图学习推荐系统：回顾/综述》
Recommender systems based on graph embedding techniques
09-22
电子科大《图嵌入推荐系统技术》综述论文，64页pdf422篇文献阐述图嵌入推荐技术进展 推荐系统是一种缓解信息超载问题的关键工具，旨在通过分析观察到的用户-商品关系，从数百万的候选商品中预测出用户喜欢的商品。...
【GNN综述_2021_11】Graph Self-Supervised Learning: A Survey
09-02
图上的深度学习最近引起了人们的极大兴趣。然而，大多数工作都集中在（半）监督学习上，导致存在标签依赖重、泛化能力差和鲁棒性弱等缺点。为了解决这些问题，自监督学习 (SSL) 通过精心设计的借口任务提取信息知识...
Paperlist-for-Recommender-Systems:我感兴趣的推荐系统论文清单
05-24
一项调查和新观点[2017] 基于深度学习的推荐系统研究概述[2018] [ ] 可解释的建议：一项调查和新观点[2018] 序列感知的推荐系统[2018] DeepRec：基于深度学习的推荐的开源工具包[IJCAI 2019] 图嵌入技术，应用和性能...
Recommendation-system-based-on-knowledge-graph-embedding:基于知识图嵌入的推荐系统
03-11
基于知识图嵌入的推荐系统基于知识图嵌入的推荐系统本系统是一个基于知识图嵌入的商品推荐系统，以下是该系统的详细介绍，基本代码都是自己所写，TransE和Rescal方法实现部分是照着论文与相关代码自己进行的复现，...
深度图相似学习综述（Deep Graph Similarity Learning：A Survey）.zip
01-01
在这里，我们提供对深度图相似性学习的现有文献的全面回顾。我们为方法和应用提出了系统的分类法。最后，我们讨论该问题的挑战和未来方向。
Loan-Default-Prediction:该项目的目的是建立一个机器学习模型，以通过评估某些属性来预测是否应向个人提供贷款
03-09
贷款违约预测 如果您发现此代码对您的研究有用，请引用以下论文： 该项目的目的是建立一个机器学习模型，以通过评估某些属性来预测是否应向个人提供贷款。 本项目中使用的2种ML算法是： 决策树 随机森林 该存储库包含以下文件： 数据 LCData字典Lending Club数据集中所有列的描述的Excel文件。 工程书该项目的Jupyter笔记本。 自述文件 由于数据集非常大，无法上传到github，因此这是Lending Club数据集的链接：
【论文】最新图学习推荐系统综述 | Graph Learning Approaches to Recommender
m0_37586850的博客
05-06 611
0前言还记得在知乎上回答过两个关于图的相关问题：问题1：有必要学习图论么？当时我的回答是：广义上来讲，任何数据在赋范空间内都可以建立拓扑关联，也就是可以构成graph，所以学习图...
Graph Learning Approaches to Recommender Systems: A Review 解读整理
weixin_43993244的博客
06-18 415
解读1 解读2 解读3
Graph Learning based Recommender Systems
weixin_49286924的博客
01-30 51
zi
综述：基于图学习的推荐系统；论文笔记
雪的期许
07-13 2536
文章目录摘要1. 介绍1.1 图如何表达推荐任务？1.2 图学习对推荐系统有效吗？1.3 基于图学习的推荐系统符号化（Formalization）2. 数据特征和挑战2.1 一般交互数据2.2 时序交互信息2.3 侧面信息3. 推荐系统中的图学习方法3.1 随机游走方法3.2 图上embedding方法Graph Factorization based RS (GFRS)Graph Distributed Representation based RS (GDRRS)Graph Neural Embeddi
[论文阅读笔记17]A Survey on Knowledge Graph-Based Recommender Systems
ld326的专栏
02-19 4338
一，题目 TKDE 2020 A Survey on Knowledge Graph-Based Recommender Systems 综述：基于知识图谱的推荐系统 In IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE), 2020 doi: 10.1109/TKDE.2020.3028705. 二，作者 Qingyu Guo, Fuzhen Zhuang, Chuan Qin, Hengshu Zhu, Xing Xie, H
Session-based Recommendation with Graph Neural Networks，SR-GNN代码分析
05-22 2207
代码仓库：https://github.com/CRIPAC-DIG/SR-GNN#paper-data-and-code 数据集下载： 一个是YOOCHOOSE，仓库的链接失效了，去kaggle下就好，https://www.kaggle.com/chadgostopp/recsys-challenge-2015 另一个是DIGINETICA，https://competitions.codalab.org/competitions/11161 下载完后解压到datasets里面 最终就用到这两个文件
FGNN论文阅读
05-28 1515
文章目录InfoMotivationContributionSolutionEvaluationSummarization Info title: Rethinking the Item Order in Session-based Recommendation with Graph Neural Networks github: https://github.com/RuihongQiu/FGNN 关键词： WGAT、Readout function Motivation 当前工作的几个缺陷： 对
graph neural networks in recommender systems: a survey
最新发布
04-06
这篇论文主要介绍了在推荐系统中使用图神经网络的研究进展与应用。通过分析和比较现有的方法和模型，总结了图神经网络在推荐系统中的优点和不足，并提出了未来的研究方向。该论文对于推动图神经网络在推荐系统中的应用和发展有重要的参考价值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值