第1期 吴国栋，等：图神经网络推荐研究进展 ·21· 将会导致过度平滑，所有顶点将收敛到相同的 推荐I等。现有GNN推荐研究中，往往只是对 值。如何选择GNN更新的层数以及其他相关的 “一张”图进行“加工”，停留在一个单一的层面上， 参数，以缓解堆叠多层GNN推荐造成的平滑问 如何从一张图过渡到另一张图，实现不同GNN 题，是GNN推荐难点所在。 图模型间信息的有效迁移，是一个值得研究的课 5.5数据稀疏问题 题。如文献[36]中，作者仅仅考虑到病人在一家 GNN推荐中，通过构建节点和边，将各个对 医院的就诊情况，如果考虑到病人的更多信息， 象用边“连接”起来，在缓解数据稀疏性方面相 如生活习惯、职业、年龄等将这些作为辅助域 比传统的推荐模型会有提升。但GNN推荐模型 的信息充分利用，就可以获得更加精确的推荐 在面临数据稀疏的时候，往往会出现两个问题： 效果。 1)如果节点对应的对象没有任何相关记录时， 3)基于GNN的群组推荐 相关推荐算法将难以实现，如文献[36]中，如果 推荐系统的应用越来越广泛，推荐的对象从 有新来的病人或者病人的就诊记录很少，如仅 单个用户的个性化推荐发展为面向多个用户的群 为一条记录，GNN推荐模型会难以得到可以代 组推荐。现有GNN推荐研究中，主要是个性化 表用户特征的最终结果；2)节点属性维度缺失 推荐，很少涉及GNN群组推荐，如何通过GNN 问题。一个向量化的多维节点，每一个维度都 进行群组推荐未来值得研究的问题。 反映一个对应的属性，如果该属性的值是未知 4)基于GNN的套餐推荐 的，在向量化的过程中就无法写入相应的数值， 当前的推荐系统大多推荐内容单一，仅能满 将会影响到推荐的效果。在文献[36]中就出现 足用户的部分需求，现实生活中，用户需求往往 了病人未参加部分医疗测试的情况，作者通过 是多方面的。如对旅游的用户进行推荐时，如果 重新构建测试结果，解决这个问题，但模型的复 能通过GNN的高度归纳性将路线规划、住宿环 杂度也随之增加。 境、交通方式、特产商铺、消费价格等多个因素进 行综合考虑，为用户推荐最适合的套餐服务，这 6GNN推荐未来研究方向 将会给用户带来更好的旅游体验。 I)基于上下文的GNN推荐 5)GNN推荐与其他推荐方法融合 用户的兴趣和行为往往是随着时间、空间等 深度学习发展迅猛，在不同领域的研究都取 因素动态发生变化的，在目前的推荐系统中，很 得了突破性进展，而GNN推荐实质上只是获取 多学者对基于时间上下文的个性化推荐切，基于 节点的状态之后再用函数进行输出，可以考虑融 情景上下文的推荐]都有一定的研究，通过联 合其他推荐算法或者传统深度学习技术，减少模 系上下文往往会获得更加精确的推荐效果。现 型的时间复杂度，同时提高推荐的效果。 有GNN推荐研究不论是构建用户-用户关系图 6)GNN推荐的可解释性研究 还是用户一物品（项目）关系图，都只是单纯的将 GNN的应用范围很广泛，比如文献[42]利用 用户（物品）相关信息进行处理。时间与空间上 GNN模拟各个物理系统间的关系，进行演绎来预 下文信息，都没有考虑在内。如在文献[31]中， 测整个系统的下一个状态，这说明GNN具有一 作者没有考虑到用户兴趣会随着时间变化对浏 定的因果推理能力。现有GNN推荐研究中，尽 览的记录产生的影响，文献[36]中，没有考虑到 管取得了不错的推荐效果，但是推荐结果往往很 患者就诊记录的时间问题，但在不同时期同一个 难给出一个令用户信服的科学解释。如在文 患者情况会存在很大差异。如何在GNN推荐模 献[31]中，作者使用多个GNN模型得出特征后， 型中引入时间、内容以及位置等不同的上下文信 通过MLP进行评分预测，仍然缺乏一定的可解 息，以提高推荐性能是值得研究的重要课题 释性。 之一。 7结束语 2)基于GNN的跨领域推荐 跨领域推荐9对解决推荐系统的冷启动和数 图神经网络(GNN)推荐方法可以通过节点 据稀疏性问题有很大的帮助，通过从辅助域到目 边及对应的拓扑结构直接反映推荐系统中实体及 标域的推荐可以取得良好的推荐效果。在传统的 其相互间关系，直接在图上对相关信息进行不断 推荐研究中，跨领域推荐取得了一定成效，如基 更新计算，具有很强的归纳性，有效避免了传统 于标签的跨领域推荐40，基于共享知识的跨领域 推荐方法中信息利用不完全带来诸多问题，越来将会导致过度平滑，所有顶点将收敛到相同的 值。如何选择 GNN 更新的层数以及其他相关的 参数，以缓解堆叠多层 GNN 推荐造成的平滑问 题，是 GNN 推荐难点所在。 5.5 数据稀疏问题 GNN 推荐中，通过构建节点和边，将各个对 象用边“连接”起来，在缓解数据稀疏性方面相 比传统的推荐模型会有提升。但 GNN 推荐模型 在面临数据稀疏的时候，往往会出现两个问题： 1) 如果节点对应的对象没有任何相关记录时， 相关推荐算法将难以实现，如文献 [36] 中，如果 有新来的病人或者病人的就诊记录很少，如仅 为一条记录，GNN 推荐模型会难以得到可以代 表用户特征的最终结果；2) 节点属性维度缺失 问题。一个向量化的多维节点，每一个维度都 反映一个对应的属性，如果该属性的值是未知 的，在向量化的过程中就无法写入相应的数值， 将会影响到推荐的效果。在文献 [36] 中就出现 了病人未参加部分医疗测试的情况，作者通过 重新构建测试结果，解决这个问题，但模型的复 杂度也随之增加。 6 GNN 推荐未来研究方向 1) 基于上下文的 GNN 推荐 用户的兴趣和行为往往是随着时间、空间等 因素动态发生变化的，在目前的推荐系统中，很 多学者对基于时间上下文的个性化推荐[37] ，基于 情景上下文的推荐[38] 都有一定的研究，通过联 系上下文往往会获得更加精确的推荐效果。现 有 GNN 推荐研究不论是构建用户−用户关系图 还是用户−物品 (项目) 关系图，都只是单纯的将 用户 (物品) 相关信息进行处理。时间与空间上 下文信息，都没有考虑在内。如在文献 [31] 中， 作者没有考虑到用户兴趣会随着时间变化对浏 览的记录产生的影响，文献 [36] 中，没有考虑到 患者就诊记录的时间问题，但在不同时期同一个 患者情况会存在很大差异。如何在 GNN 推荐模 型中引入时间、内容以及位置等不同的上下文信 息，以提高推荐性能是值得研究的重要课题 之一。 2) 基于 GNN 的跨领域推荐 跨领域推荐[39] 对解决推荐系统的冷启动和数 据稀疏性问题有很大的帮助，通过从辅助域到目 标域的推荐可以取得良好的推荐效果。在传统的 推荐研究中，跨领域推荐取得了一定成效，如基 于标签的跨领域推荐[40] ，基于共享知识的跨领域 推荐[41] 等。现有 GNN 推荐研究中，往往只是对 “一张”图进行“加工”，停留在一个单一的层面上， 如何从一张图过渡到另一张图，实现不同 GNN 图模型间信息的有效迁移，是一个值得研究的课 题。如文献 [36] 中，作者仅仅考虑到病人在一家 医院的就诊情况，如果考虑到病人的更多信息， 如生活习惯、职业、年龄等将这些作为辅助域 的信息充分利用，就可以获得更加精确的推荐 效果。 3) 基于 GNN 的群组推荐 推荐系统的应用越来越广泛，推荐的对象从 单个用户的个性化推荐发展为面向多个用户的群 组推荐。现有 GNN 推荐研究中，主要是个性化 推荐，很少涉及 GNN 群组推荐，如何通过 GNN 进行群组推荐未来值得研究的问题。 4) 基于 GNN 的套餐推荐 当前的推荐系统大多推荐内容单一，仅能满 足用户的部分需求，现实生活中，用户需求往往 是多方面的。如对旅游的用户进行推荐时，如果 能通过 GNN 的高度归纳性将路线规划、住宿环 境、交通方式、特产商铺、消费价格等多个因素进 行综合考虑，为用户推荐最适合的套餐服务，这 将会给用户带来更好的旅游体验。 5) GNN 推荐与其他推荐方法融合 深度学习发展迅猛，在不同领域的研究都取 得了突破性进展，而 GNN 推荐实质上只是获取 节点的状态之后再用函数进行输出，可以考虑融 合其他推荐算法或者传统深度学习技术，减少模 型的时间复杂度，同时提高推荐的效果。 6) GNN 推荐的可解释性研究 GNN 的应用范围很广泛，比如文献 [42] 利用 GNN 模拟各个物理系统间的关系，进行演绎来预 测整个系统的下一个状态，这说明 GNN 具有一 定的因果推理能力。现有 GNN 推荐研究中，尽 管取得了不错的推荐效果，但是推荐结果往往很 难给出一个令用户信服的科学解释。如在文 献 [31] 中，作者使用多个 GNN 模型得出特征后， 通过 MLP 进行评分预测，仍然缺乏一定的可解 释性。 7 结束语 图神经网络 (GNN) 推荐方法可以通过节点、 边及对应的拓扑结构直接反映推荐系统中实体及 其相互间关系，直接在图上对相关信息进行不断 更新计算，具有很强的归纳性，有效避免了传统 推荐方法中信息利用不完全带来诸多问题，越来 第 1 期 吴国栋，等：图神经网络推荐研究进展 ·21·