有关GNN+RS的论文
- 综述性质论文: Graph Learning Approaches to Recommender Systems: A Review
三种GNN+RS网络类型:GAT+RS,GGNN+RS,GCN+RS
GATRS: Graph Attention network based RS,使用attention机制,区别的学习不同的关联,以此来整合邻里信息。
GGNNRS: Gated Graph Neural Networdk based RS,使用GRU(Gated Recument Unit)学习节点优化,方法是迭代的吸收其他节点带来的综合影响,通过综合考虑复杂的关系来推荐。
GCNRS: Graph Convolutional Network based RS,通过迭代的聚合图结构和节点特征来表示节点,方法是用图卷积(Convolutional)和池化(Pooling)操作进行,可全面挖掘用户与物品之间的复杂关系,结合自身信息来进行推荐。 - GAT+RS
Graph Neural Networks for Social Recommendation
通过Item Aggregation,Social Aggregation和User Aggregation共同生成最后的embedding来进行推荐,同时使用了attention机制对每个neighborhoods进行加权,以体现不同neighborhood的重要性程度。 - GCN+RS
Graph Convolutional Matrix Completion
该算法是将图卷积直接应用于推荐的最初几次尝试之一,非常经典,且比较简单易懂。附上中文博客讲解。
Graph Convolutional Neural Networks for Web-Scale
Recommender Systems
著名的PinSage算法。本质还是GCN,但加入了random walk优化,而不是对所有邻居都进行采样(主要是为了优化速度,毕竟是工业级的应用,如果效率不够快是不行的)。该算法同时也是GCN的第一个应用到工业级的推荐系统的算法,应用场景为Pinterest。
A Neural Influence Diffusion Model for Social Recommendation
这篇也是GCN+RS的应用,没有细看,感觉本质应该是没什么区别,但是看起来应该是多加了几层提高了准确度(有待考证,后面有时间再仔细看一下)