推荐系统User-Item Embedding图算法

在做推荐算法任务时，在（user, item）的交互数据集中进行建模是常见的方式，本文基于GNN对User侧和Item侧进行embedding的思路，介绍3篇相关论文。这三篇文章分别来自SIGIR 2019，2020，2021。

本文主要解决传统协同过滤算法，因为缺少对user-item交互数据中的协同信息（Collaborative Signal）较好的编码方式，从而无法很好的学到Embedding的问题。传统协同过滤方法是通过对ID类特征或者Category类特征进行简单的编码得到Embedding，然后通过User-Item交互数据对损失函数的定义后解码。简单的编码形式导致了模型学习到的Embedding信息有限。

具体地，如上图所示右图是（User，item）之间的交互路径。从图中u2->i2->u1路径我们可以发现u1和u2具有一定路径上（行为）的相似性。同时，对于i4->u3->i3->u1和i4->u2->i2->u1这两路径可以看出用户u1对i4的购买可能性大于对i5的购买可能性。

NGCF基于User-Item交互行为中的High-order connectivity来解决交互数据中的协同信息（Collaborative Signal）编码问题进行Embedding建模。

模型的Embedding Propagation Layer主要包含Message Construction和Message Aggregation两部分。

在Message Construction部分，对每个（user，item）定义从item到user传递的message为：

其中