Graph Neural Networks for Social Recommendation: A Surv

AI天才研究院

于 2023-09-01 11:53:15 发布

阅读量2.3k

点赞数 3

分类专栏： AI大模型原生应用开发与大数据云计算架构深度学习实战文章标签：自然语言处理人工智能语言模型编程实践开发语言架构设计

本文链接：https://blog.csdn.net/universsky2015/article/details/132621206

版权

AI大模型原生应用开发与大数据云计算架构同时被 2 个专栏收录

该专栏为热销专栏榜第8名

37043 篇文章 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

深度学习实战

3608 篇文章 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了图神经网络（GNN）在推荐系统中的应用，包括用户邻接表示模型（UNM）和图注意力网络模型（GATN），探讨了GNN在多样性特征学习、复杂网络分析和增强学习等方面的优势。文章还分析了推荐系统面临的挑战，如数据规模大、噪声多、隐式特征丰富等问题，并展望了GNN在推荐系统未来发展的趋势，如模型多样化、使用场景多样化、实用性和硬件加速。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

作者：禅与计算机程序设计艺术

1.简介

近年来图神经网络(Graph Neural Network, GNN)在推荐系统领域受到了越来越多关注。图神经网络是在图数据结构上定义的神经网络模型，可以有效地处理高维稀疏数据的局部和全局特征。GNN可以用于多种推荐场景，包括推荐系统、社会关系分析、知识图谱等，能够自动学习并提取出节点之间的相互关系，从而实现准确且精准的推荐。本文将从GNN的演进过程及其在推荐系统中的应用入手，对图神经网络在推荐系统领域的发展进行全面的回顾和总结，并给出图神经网络在推荐系统中的特点、分类以及未来的发展方向。

2.相关工作与技术

2.1相关工作

在推荐系统中，用户-物品(user-item)推荐(Recommender System)算法通常采用协同过滤(Collaborative Filtering, CF)、基于内容的推荐(Content-based Recommendation, CBR)或其他机器学习模型，这些模型通过用户与商品之间关联的历史行为数据构建起用户-商品交互图(User-Item Interaction Graph)，通过对图的分析预测用户对未知商品的偏好。例如，在电子商务网站上的购物篮分析可用于推荐相关产品；在音乐播放器上，基于历史记录推荐音乐曲目等。传统的协同过滤方法简单直接，但无法捕捉到用户之间的复杂社交关系，如好友推荐、共同喜好的偏好等；