大家好，我是对白。
图神经网络（GNN）相信大家也不陌生了，在还没有Graph Embedding之前，节点的属性信息可以通过Item2vec这种序列化Embedding的方式去学习，效果虽然不错，但它忽略了节点的结构信息。而GNN能够自然地整合节点属性信息和拓扑结构信息，因此在许多领域广泛应用。
在推荐系统中，目前的主要挑战是从用户-物品交互以及辅助信息中学习有效的User-Item Embedding。由于大部分的信息本质上都是图结构，并且GNN在表示学习方面具有先天优势，因此在推荐系统中蓬勃发展。
本文对基于GNN的推荐算法进行了总结，汇总了从2018至2020年期间工业界和学术界比较有代表性的29个基于的GNN推荐模型****。此外，我从近三年KDD的论文中挑选了六篇值得一读的GNN推荐模型为大家解读，分别是4篇阿里的论文，1篇滴滴的论文和1篇亚马逊的论文，话不多说，让我们一起欣赏一下GNN在推荐系统中的花式玩法吧~
基于图神经网络的推荐算法分类
基于图神经网络的推荐模型总结
1 General Recommendation
1.1 General RS without side information
Neighbor Aggregation：区分邻居的影响大小，比mean-pooling，degree normalization效果好
Information Update：当后续没有显式的特征交叉步骤时，mean pooling, sum pooling表现足够好，若有，则concat能保留更多信息
Final Node representation：有些使用GNN的最后一层向量作为表示，有些则用所有层（可能表示更好一些）
1.2 General RS with social network
Influence modeling：区分社交网络不同的好友的影响力可以提升效果，进一步的，考虑朋友在不同的Item上的影响力也不一样，可以在item稀疏时提升较大
**Preference Integration:**将social network 和user-item bipartite 两个图分开建模和统一建模都可，没有明显区别。
1.3 General RS with knowledge graph
Graph simplification：为了将GNN较为高效地应用于KG，需要对图进行简化（同时图信息有损）,例如AKGE利用最短路径来重构子图，IntentGC仅保留一部分结点来构造i2i和u2u
Multi-relation propagation：KG有多重类型的边，因此需要使用attention 机制来聚集来自邻居的信息
User intergration:有些工作利用GNN来学习item表示，假设用户具有静态的表示；另外的则将user作为KG中一种entity来学习
2 Sequential recommendation
2.1 SR without side information
Graph construction：将sequence 转为graph，转化的方法决定了GNN的效果，一般将按时序出现的相邻K（一般K=2）个item之间进行连边
Information propagation：在聚集邻居特征时，相比mean-pooling, GRU在序列建模中效果更好一些
Sequential preference：将序列的结点表示集成为最终的结点表示，attention, GRU皆可
2.2 SR with social network
DGRec：使用LSTM来抽取用户的动态兴趣，再使用GAT来对不同好友的影响进行聚集
