第15卷第1期 智能系统学报 Vol.15 No.1 2020年1月 CAAI Transactions on Intelligent Systems Jan.2020 D0:10.11992/tis.201908034 图神经网络推荐研究进展 吴国栋2，查志康2，涂立静2，陶鸿2，宋福根 (1.东华大学管理学院，上海200051,2.安徽农业大学信息与计算机学院，安徽合肥230036) 摘要：图神经网络(graph neural network,GNN)具有从图的领域对数据进行特征提取和表示的优势，近年来成 为人工智能研究的热点，图神经网络推荐也是推荐系统研究的一个新方向。本文对GNN模型进行深入研究的 基础上，分析了GNN推荐过程，并从无向单元图推荐、无向二元图推荐、无向多元图推荐3个方面详细讨论了 现有GNN推荐研究取得的主要进展及不足，阐明了现有GNN推荐研究中存在的主要难点，最后提出了 GNN上下文推荐、GNN跨领域推荐、GNN群组推荐、GNN推荐的可解释性等未来GNN推荐的研究方向。 关键词：图神经网络；推荐系统：深度学习；实体联系；社交关系：协同过滤；无向图；有向图 中图分类号：TP301文献标志码：A 文章编号：1673-4785(2020)01-0014-11 中文引用格式：吴国栋，查志康，涂立静，等.图神经网络推荐研究进展J.智能系统学报，2020,15(1)：14-24 英文引用格式：WU Guodong,ZHA Zhikang,TU Lijing,et al.Research advances in graph neural network recommendation, CAAI transactions on intelligent systems,2020,15(1):14-24. Research advances in graph neural network recommendation WU Guodong,ZHA Zhikang',TU Lijing,TAO Hong,SONG Fugeng' (1.School of Business and Management,Donghua University,Shanghai 200051,China;2.School of Information and Computer,An- hui Agricultural University,Hefei 230036,China) Abstract:Graph neural network(GNN)has the advantage of feature extraction and representation of data from the field of Graph.In recent years,it has become a hotspot of artificial intelligence research,and the recommendation of Graph Neural Network is also a new direction of recommendation system research.Based on the in-depth study of GNN mod- el,this paper analyzes the GNN recommendation process,and discusses in detail the main progress and deficiencies of GNN recommendation studies from three aspects:undirected unit graph recommendation,undirected binary graph re- commendation and undirected multivariate graph recommendation.The main difficulties in existing GNN recommenda- tion studies are clarified,and the research directions of GNN recommendation in the future,including GNN contextual recommendation,GNN cross-domain recommendation,GNN group recommendation,and GNN recommendation's in- terpretability,and so on,are pointed out in the end. Keywords:graph neural network;recommendation system;deep learning;entity relations;society relation;collaborat- ive filtering;undirected graph;directed graph 图神经网络(graph neural network,GNN)作为 和表示，是一种高效、易扩展的新型的神经网络 一种从卷积神经网络(convolutional neural net- 结构，在学习图数据方面表现出了强大的功能。 woks,CNN)和图嵌入思想启发而来的新型拓展 与传统的深度学习方法相比，GNN可以通过构建 神经网络山，可以在图领域对数据进行特征提取 的图模型来反映实体及其之间的联系。目前，国 内外对GNN的研究都取得了一定的进展，如自 收稿日期：2019-08-30. 然语言处理、文本分类)、特征关系提取、图片 基金项目：国家自然科学基金资助项目(31671589)：安徽省自 分类、疾病预测阿等。在推荐系统中，实体间的 然科学研究重点项目(KJ2017A152.KJ2019A0211). 通信作者：吴国栋.E-mail:gdwu1120@qq.com. 关系有用户与用户、用户与物品、物品与物品之DOI: 10.11992/tis.201908034 图神经网络推荐研究进展 吴国栋1,2，查志康2 ，涂立静2 ，陶鸿2 ，宋福根1 （1. 东华大学 管理学院，上海 200051; 2. 安徽农业大学 信息与计算机学院，安徽 合肥 230036） 摘 要：图神经网络 (graph neural network, GNN) 具有从图的领域对数据进行特征提取和表示的优势，近年来成 为人工智能研究的热点，图神经网络推荐也是推荐系统研究的一个新方向。本文对 GNN 模型进行深入研究的 基础上，分析了 GNN 推荐过程，并从无向单元图推荐、无向二元图推荐、无向多元图推荐 3 个方面详细讨论了 现有 GNN 推荐研究取得的主要进展及不足，阐明了现有 GNN 推荐研究中存在的主要难点，最后提出了 GNN 上下文推荐、GNN 跨领域推荐、GNN 群组推荐、GNN 推荐的可解释性等未来 GNN 推荐的研究方向。 关键词：图神经网络；推荐系统；深度学习；实体联系；社交关系；协同过滤；无向图；有向图 中图分类号：TP301 文献标志码：A 文章编号：1673−4785(2020)01−0014−11 中文引用格式：吴国栋, 查志康, 涂立静, 等. 图神经网络推荐研究进展 [J]. 智能系统学报, 2020, 15(1): 14–24. 英文引用格式：WU Guodong, ZHA Zhikang, TU Lijing, et al. Research advances in graph neural network recommendation[J]. CAAI transactions on intelligent systems, 2020, 15(1): 14–24. Research advances in graph neural network recommendation WU Guodong1,2 ，ZHA Zhikang2 ，TU Lijing2 ，TAO Hong2 ，SONG Fugeng1 (1. School of Business and Management, Donghua University, Shanghai 200051, China; 2. School of Information and Computer, An￾hui Agricultural University, Hefei 230036, China) Abstract: Graph neural network (GNN) has the advantage of feature extraction and representation of data from the field of Graph. In recent years, it has become a hotspot of artificial intelligence research, and the recommendation of Graph Neural Network is also a new direction of recommendation system research. Based on the in-depth study of GNN mod￾el, this paper analyzes the GNN recommendation process, and discusses in detail the main progress and deficiencies of GNN recommendation studies from three aspects: undirected unit graph recommendation, undirected binary graph re￾commendation and undirected multivariate graph recommendation. The main difficulties in existing GNN recommenda￾tion studies are clarified, and the research directions of GNN recommendation in the future, including GNN contextual recommendation, GNN cross-domain recommendation, GNN group recommendation, and GNN recommendation’s in￾terpretability, and so on, are pointed out in the end. Keywords: graph neural network; recommendation system; deep learning; entity relations; society relation; collaborat￾ive filtering; undirected graph; directed graph 图神经网络 (graph neural network, GNN) 作为 一种从卷积神经网络 (convolutional neural net￾works, CNN) 和图嵌入思想启发而来的新型拓展 神经网络[1] ，可以在图领域对数据进行特征提取 和表示，是一种高效、易扩展的新型的神经网络 结构，在学习图数据方面表现出了强大的功能。 与传统的深度学习方法相比，GNN 可以通过构建 的图模型来反映实体及其之间的联系。目前，国 内外对 GNN 的研究都取得了一定的进展，如自 然语言处理[2] 、文本分类[3] 、特征关系提取[4] 、图片 分类[5] 、疾病预测[6] 等。在推荐系统中，实体间的 关系有用户与用户、用户与物品、物品与物品之 收稿日期：2019−08−30. 基金项目：国家自然科学基金资助项目 (31671589)；安徽省自 然科学研究重点项目 (KJ2017A152，KJ2019A0211). 通信作者：吴国栋. E-mail：gdwu1120@qq.com. 第 15 卷第 1 期 智 能 系 统 学 报 Vol.15 No.1 2020 年 1 月 CAAI Transactions on Intelligent Systems Jan. 2020