GNN+RS相关论文(不定期更新）

有关GNN+RS的论文

1. 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。
2. 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。
3. 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）