·16· 智能系统学报 第15卷 息实体的语义匹配来实现用户的物品推荐； 好的推荐效果。3)提取出更新后的节点（边、子 Zheng等2)提出了一种深度协作神经网络模型 图)特征，并用相关算法实现推荐。将GNN模型 (deep cooperative neural network,DeepCoNN), 完成更新之后的节点取出，作为该节点对应的实 两个并行的神经网络模型学习用户和项目的隐特 体特征，采用相关算法进行推荐。如文献[30] 征，然后在两个神经网络上构建一个交互层来预 中，使用协同过滤推荐的方法：文献「311中，将 测用户对项目的评分；L山等2)研究了位置社交 GNN提取的物品特征和节点特征，通过MLP进 网络中的行为预测问题，通过利用循环神经网络 行评分预测推荐；文献[32]中，通过两种不同的 抓住序列行为之间的依赖关系，从而基于用户的 神经网络，进行试验结果预测与推荐。 历史行为序列，帮助预测下一时刻的行为。 4 GNN推荐相关研究 3GNN推荐主要过程 由于有向图GNN推荐时，需要两个权值矩阵 一般说来，GNN推荐主要过程分为3个步 来实现聚集与更新操作，相对无向图GNN推荐， 骤：1)根据推荐系统实体及其相互关系构建对应 只需一个权重矩阵来说，就变得更为复杂。因 的GNN模型。主要考虑如何将推荐系统中不同 此，在现有图神经网络GNN推荐的相关研究中， 实体映射为GNN中图节点，不同实体间的联系 主要集中在无向图GNN推荐方面。以下重点从 映射为GNN图中对应的边，如何用的神经网络 无向单元图GNN推荐、无向二元图GNN推荐以 函数去拟合GNN中不同的节点。在GNN推荐模 及无向多元图GNN推荐3个方面探讨GNN推荐 型中，不论是用户节点还是物品节点，都可以根 相关研究。 据相关信息做嵌入化处理，得到对应节点的向量 4.1无向单元图GNN推荐 化描述。如对一个物品节点，可以根据不同用户 这种GNN推荐模型节点类型单一，操作比较 对其评论或评分信息做嵌入化处理：对一个用户 简单。主要是将推荐系统中的实体映射到一个无 节点，可以根据其社交关系或物品购买记录做嵌 向单元图GNN,图中所有节点都表示为一种实体 入化处理。边作为反映GNN推荐模型中实体之 类型。如CuiB]等将GNN用于服装推荐，服装的 间的联系，通常有两种处理方式：一是根据联系 类别作为节点，各个类别之间的关系作为边，各 的类型及强弱程度不同，进行嵌入化操作；二是 类服装放入对应的节点之中形成子图，构成了一 对边不进行任何处理，仅仅当成GNN推荐模型 个无向单元图GNN推荐模型，推荐与指定服装 中，用于信息传播算法作用的媒介。2)决定 匹配度较高的目标服装实现套装搭配，取得了较 GNN模型的信息传播与更新方法。GNN模型的 好的效果。 变体很多，不同变体之间，信息的聚集和更新方 文献[30]中，考虑到用户的行为往往受到自 式也不同。文献「29]指出了在不同的GNN变体 己当前兴趣、朋友兴趣等多种因素影响，通过构 中，出现的相关聚集过程。如GCN模型，通常选 建用户一朋友的无向单元图GNN,分别对用户节 择mean聚集函数；GraphSAGE模型，通常采用 点、朋友节点进行描述，并使用相关传播算法更 max函数；GN模型，通常使用的sum函数等。不 新用户信息节点，最后和物品嵌人化得到的结果 同的聚集函数适合于不同的图结构，mean函数可 进行运算，输出用户对物品可能的喜爱程度，如 以反映图中节点的分布情况，max函数可以反映 图1所示。具体步骤如下： 主要特征，sum可以考虑到比较全面的图形结构 1)将用户近期的浏览内容，通过循环神经网 特征等。信息更新过程，主要是将信息聚集之后 络(RNN)得到表示用户兴趣的hn,并用hn描述用 的结果，与中心节点进行特定的运算，并作为下 户的节点信息； 一层节点的初始状态。这方面，不同的模型差异 2)将朋友的近期行为记录，通过RNN得到 也很大，如GCN模型进行信息更新时，不会考虑 s,用来表示该朋友的短期兴趣： 中心节点的信息；GraphSAGE则会将聚集结果和 3)将朋友长期行为向量化，得s,见式(7)： 中心节点的向量进行连接操作；GN模型会将两 sk=W.[k,:] (7) 者进行直接相加等。充分考虑推荐系统实体间关 式中：Wk,表示对用户u从第k次记录一直取 系，及对应GNN模型的结构特征，选择最合适的 到最新的记录，进行向量化处理。 信息传播算法，进行信息更新，往往可以取得更 4)将上述两个向量联合起来，构成代表目标息实体的语义匹配来实现用户的物品推荐； Zheng 等 [27] 提出了一种深度协作神经网络模型 (deep cooperative neural network, DeepCoNN)，利用 两个并行的神经网络模型学习用户和项目的隐特 征，然后在两个神经网络上构建一个交互层来预 测用户对项目的评分；Liu 等 [28] 研究了位置社交 网络中的行为预测问题，通过利用循环神经网络 抓住序列行为之间的依赖关系，从而基于用户的 历史行为序列，帮助预测下一时刻的行为。 3 GNN 推荐主要过程 一般说来，GNN 推荐主要过程分为 3 个步 骤：1) 根据推荐系统实体及其相互关系构建对应 的 GNN 模型。主要考虑如何将推荐系统中不同 实体映射为 GNN 中图节点，不同实体间的联系 映射为 GNN 图中对应的边，如何用的神经网络 函数去拟合 GNN 中不同的节点。在 GNN 推荐模 型中，不论是用户节点还是物品节点，都可以根 据相关信息做嵌入化处理，得到对应节点的向量 化描述。如对一个物品节点，可以根据不同用户 对其评论或评分信息做嵌入化处理；对一个用户 节点，可以根据其社交关系或物品购买记录做嵌 入化处理。边作为反映 GNN 推荐模型中实体之 间的联系，通常有两种处理方式：一是根据联系 的类型及强弱程度不同，进行嵌入化操作；二是 对边不进行任何处理，仅仅当成 GNN 推荐模型 中，用于信息传播算法作用的媒介。 2 ) 决 定 GNN 模型的信息传播与更新方法。GNN 模型的 变体很多，不同变体之间，信息的聚集和更新方 式也不同。文献 [29] 指出了在不同的 GNN 变体 中，出现的相关聚集过程。如 GCN 模型，通常选 择 mean 聚集函数；GraphSAGE 模型，通常采用 max 函数；GIN 模型，通常使用的 sum 函数等。不 同的聚集函数适合于不同的图结构，mean 函数可 以反映图中节点的分布情况，max 函数可以反映 主要特征，sum 可以考虑到比较全面的图形结构 特征等。信息更新过程，主要是将信息聚集之后 的结果，与中心节点进行特定的运算，并作为下 一层节点的初始状态。这方面，不同的模型差异 也很大，如 GCN 模型进行信息更新时，不会考虑 中心节点的信息；GraphSAGE 则会将聚集结果和 中心节点的向量进行连接操作；GIN 模型会将两 者进行直接相加等。充分考虑推荐系统实体间关 系，及对应 GNN 模型的结构特征，选择最合适的 信息传播算法，进行信息更新，往往可以取得更 好的推荐效果。3) 提取出更新后的节点 (边、子 图) 特征，并用相关算法实现推荐。将 GNN 模型 完成更新之后的节点取出，作为该节点对应的实 体特征，采用相关算法进行推荐。如文献 [30] 中，使用协同过滤推荐的方法；文献 [31] 中 ，将 GNN 提取的物品特征和节点特征，通过 MLP 进 行评分预测推荐；文献 [32] 中，通过两种不同的 神经网络，进行试验结果预测与推荐。 4 GNN 推荐相关研究 由于有向图 GNN 推荐时，需要两个权值矩阵 来实现聚集与更新操作，相对无向图 GNN 推荐， 只需一个权重矩阵来说，就变得更为复杂。因 此，在现有图神经网络 GNN 推荐的相关研究中， 主要集中在无向图 GNN 推荐方面。以下重点从 无向单元图 GNN 推荐、无向二元图 GNN 推荐以 及无向多元图 GNN 推荐 3 个方面探讨 GNN 推荐 相关研究。 4.1 无向单元图 GNN 推荐 这种 GNN 推荐模型节点类型单一，操作比较 简单。主要是将推荐系统中的实体映射到一个无 向单元图 GNN，图中所有节点都表示为一种实体 类型。如 Cui[33] 等将 GNN 用于服装推荐，服装的 类别作为节点，各个类别之间的关系作为边，各 类服装放入对应的节点之中形成子图，构成了一 个无向单元图 GNN 推荐模型，推荐与指定服装 匹配度较高的目标服装实现套装搭配，取得了较 好的效果。 文献 [30] 中，考虑到用户的行为往往受到自 己当前兴趣、朋友兴趣等多种因素影响，通过构 建用户—朋友的无向单元图 GNN，分别对用户节 点、朋友节点进行描述，并使用相关传播算法更 新用户信息节点，最后和物品嵌入化得到的结果 进行运算，输出用户对物品可能的喜爱程度，如 图 1 所示。具体步骤如下： 1) 将用户近期的浏览内容，通过循环神经网 络 (RNN) 得到表示用户兴趣的 hn，并用 hn 描述用 户的节点信息； 2) 将朋友的近期行为记录，通过 RNN 得到 sk s ，用来表示该朋友的短期兴趣； 3) 将朋友长期行为向量化，得 sk l ，见式 (7)： s l k = Wu [k,:] (7) 式中： Wu [k,:] 表示对用户 u 从第 k 次记录一直取 到最新的记录，进行向量化处理。 4) 将上述两个向量联合起来，构成代表目标 ·16· 智 能 系 统 学 报 第 15 卷