吳靜，謝輝，姜火文

江西科技師范大學(xué) 數(shù)學(xué)與計算機科學(xué)學(xué)院，南昌330038

隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)結(jié)構(gòu)更加復(fù)雜，圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)是用來處理非歐式數(shù)據(jù)并以此來提升推薦系統(tǒng)準確度的方法?，F(xiàn)實生活中形成的社交網(wǎng)絡(luò)、知識圖譜等都存在大量的非歐式數(shù)據(jù)，圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）推薦系統(tǒng)（recommendation system，RS）能達到傳統(tǒng)推薦系統(tǒng)所無法達到的效果。尤其在項目與項目、用戶與用戶、用戶與項目以及顯性或隱性信息之間的處理上，GNN 推薦系統(tǒng)能夠借助非歐式數(shù)據(jù)，使得推薦結(jié)果高質(zhì)量化。推薦系統(tǒng)目前的主要挑戰(zhàn)是如何從用戶-物品交互以及輔助信息中學(xué)習(xí)有效的嵌入信息。其大部分的信息本質(zhì)上都是圖結(jié)構(gòu)，而GNN 在表示學(xué)習(xí)方面具有先天優(yōu)勢。隨著深度學(xué)習(xí)的發(fā)展，作為常見的深度學(xué)習(xí)模型GNN，其應(yīng)用于推薦系統(tǒng)方向的研究與日俱增，在推薦方向的應(yīng)用將成為發(fā)展的必然趨勢?；贕NN 推薦系統(tǒng)問題的相關(guān)研究正受到人們的廣泛關(guān)注和研究。以往的GNN 推薦方向的綜述從GNN 模型的圖結(jié)構(gòu)、個人或群體等角度上進行總結(jié)歸納，本文最大的創(chuàng)新點在于從方法、問題兩個角度切入分析，在近些年來圖神經(jīng)網(wǎng)絡(luò)的相關(guān)研究進行整理的基礎(chǔ)上，對圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)進行深入研究，從兩個角度來分析總結(jié)基于GNN 推薦系統(tǒng)的最新研究進展，提出GNN 推薦系統(tǒng)當(dāng)前存在的問題并討論未來的主要研究方向。

1 推薦系統(tǒng)

推薦系統(tǒng)的核心是通過用戶的歷史行為、興趣偏好或者人口統(tǒng)計學(xué)特征來得到某種推薦算法，該算法能產(chǎn)生用戶感興趣的項目列表，而該項目列表使得排在前面的物品展示給用戶。正因為互聯(lián)網(wǎng)的發(fā)展，推薦系統(tǒng)已經(jīng)成為互聯(lián)網(wǎng)產(chǎn)品的標配，而推薦系統(tǒng)的主要目標是發(fā)現(xiàn)并建立用戶與信息之間的通道。從用戶角度來看，推薦系統(tǒng)就是幫助用戶找到他們所需要的信息，例如喜歡的物品或服務(wù)，還會幫助用戶做出決策，并且發(fā)現(xiàn)用戶可能感興趣的潛在信息；從信息角度來看，推薦系統(tǒng)可以將特定的信息提供給特定的用戶，以此來提供個性化的服務(wù)，提高用戶信任度和粘性，為商家增加營收。根據(jù)推薦算法所用數(shù)據(jù)的不同分為基于內(nèi)容的推薦、協(xié)同過濾的推薦以及混合的推薦。如圖1 所示為推薦系統(tǒng)基本分類。

圖1 推薦系統(tǒng)分類Fig.1 Recommendation system classification

基于協(xié)同過濾的推薦系統(tǒng)是基于用戶-項目的歷史交互記錄產(chǎn)生推薦，可以是顯性反饋（評分、喜歡/不喜歡），也可以是隱性反饋（瀏覽、點擊）；基于內(nèi)容的推薦主要是根據(jù)用戶和項目的特征信息來進行推薦；混合方法推薦則結(jié)合了以上兩種不同的推薦方法，即可同時建模靜態(tài)特征與動態(tài)交互。在基于協(xié)同過濾的推薦系統(tǒng)上，圖神經(jīng)網(wǎng)絡(luò)屬于基于圖的模型。

2 圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)方法

圖神經(jīng)網(wǎng)絡(luò)借鑒了卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)網(wǎng)絡(luò)和深度自編碼器的思想，目的是為了擴展現(xiàn)有神經(jīng)網(wǎng)絡(luò)，定義和設(shè)計用于處理圖形結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。盡管在提取歐氏空間數(shù)據(jù)的特征方面，傳統(tǒng)方法取得了巨大的成功，但圖神經(jīng)網(wǎng)絡(luò)既可以利用圖來反映對象之間的復(fù)雜關(guān)系，還可以對非歐氏空間生成的數(shù)據(jù)進行特征提取和表示。它在學(xué)習(xí)圖形結(jié)構(gòu)數(shù)據(jù)方面表現(xiàn)出了更強大的功能。正因為GNN在圖學(xué)習(xí)上的優(yōu)越性能，它被廣泛運用于推薦系統(tǒng)。除此之外，它也被應(yīng)用到許多領(lǐng)域，如文本分類、自然語言處理、疾病預(yù)測、特征關(guān)系提取等。

對于推薦系統(tǒng)來說，一般推薦系統(tǒng)包括三個階段，分別是匹配、排序和再排序。圖神經(jīng)網(wǎng)絡(luò)的原理主要是：首先構(gòu)建圖結(jié)構(gòu)模型來反映實體和實體之間的關(guān)系；再利用特定的方法對節(jié)點進行描述并得到包含最終的鄰居節(jié)點信息和拓撲結(jié)構(gòu)特點狀態(tài)的節(jié)點，該節(jié)點已經(jīng)進行了不斷的更新迭代；最后將通過某種特定的方式輸出這些節(jié)點的表示形式，并獲得所需要的信息。而對于GNN 推薦系統(tǒng)來說，其主要階段和圖神經(jīng)網(wǎng)絡(luò)過程接近，一般只分為四步：（1）根據(jù)實體相互關(guān)系建立GNN 模型；（2）決定GNN模型的信息傳播與更新方法；（3）提取出更新后的節(jié)點特征；（4）選取算法實現(xiàn)推薦。本文基于圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)的方法主要分成了五大類。圖2 表示了GNN 推薦系統(tǒng)主要的五大分類。

圖2 GNN 推薦系統(tǒng)分類Fig.2 Taxonomy of graph neural network-based recommendation system

2.1 圖卷積網(wǎng)絡(luò)推薦系統(tǒng)

圖卷積網(wǎng)絡(luò)（graph convolution networks，GCN）是將卷積運算從傳統(tǒng)數(shù)據(jù)推廣到了圖數(shù)據(jù)，如圖3所示。

圖3 圖卷積原理圖Fig.3 Principle diagram of graph convolution networks

該圖是使用深度為2 的卷積模型。左邊是一個小的輸入圖示例，右邊為兩層神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)使用節(jié)點及其鄰域()（節(jié)點、、）來計算節(jié)點的值。

在基于圖卷積神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)的算法中，一部分算法并不會直接使用GCN 方法，而是將GCN 與圖嵌入融合在一起，從而提升了整個模型的效率。事實上，GCN 與其他四類也進行了融合，創(chuàng)造了許多成果。在最近的文獻研究里，更多的是處理大規(guī)模的數(shù)據(jù)。文獻[11]提出了一種基于高效的隨機游走方法來構(gòu)建卷積模型，并設(shè)計了一個新穎的訓(xùn)練策略來改善模型的魯棒性和收斂性。其在基于圖卷積架構(gòu)的推薦系統(tǒng)上，能解決數(shù)億級別用戶的Web 推薦任務(wù)，但不足之處在于不能解決其他大規(guī)模的圖表示學(xué)習(xí)問題。對于處理大規(guī)模數(shù)據(jù)的計算和內(nèi)存問題上，Chen等提出了一種基于混合內(nèi)存計算（computation-in-memory，CIM）結(jié)構(gòu)的圖卷積網(wǎng)絡(luò)的有效分配方法。該方法還解決了圖卷積網(wǎng)絡(luò)在應(yīng)用中的不規(guī)則數(shù)據(jù)的訪問問題。CIM 結(jié)構(gòu)上優(yōu)化了GCN 的任務(wù)分配，為GCN 推薦系統(tǒng)上數(shù)據(jù)處理提供了一個解決方案。同樣地，對于處理和訓(xùn)練復(fù)雜的大規(guī)模異構(gòu)圖數(shù)據(jù)上，Tran等則開發(fā)了一個基于GCN 原理的新的框架——HeteGraph（graph learning in recommender systems via graph convolutional networks）。其通過一種抽樣技術(shù)和一個圖卷積運算來學(xué)習(xí)高質(zhì)量圖的節(jié)點嵌入。這個與傳統(tǒng)的GCN 不同，后者需要一個完整的圖鄰接矩陣來進行嵌入學(xué)習(xí)，而該框架是設(shè)計了兩個模型來評估推薦系統(tǒng)任務(wù)，即項目評級預(yù)測和多樣化項目推薦。該方法主要是應(yīng)用于大規(guī)模異構(gòu)圖數(shù)據(jù)的推薦問題，但僅適用于兩個實體，即用戶和項目。進一步來說，Shafqat等將用戶-項目點擊交互作為概率分布，并使用該值度量節(jié)點之間的相似度。該方法采用了兩個不同節(jié)點之間的相似性度量來事先對鄰居進行采樣。這種方法簡化了GCN 模型的鄰居抽樣任務(wù)，提高了訓(xùn)練效率，降低了復(fù)雜度和計算時間，但需要形成會話圖，并不適應(yīng)于所有推薦系統(tǒng)場景。對于異構(gòu)圖數(shù)據(jù)，不同于Tran等方法，Yin等提出的基于異構(gòu)信息網(wǎng)絡(luò)的高效推薦算法是利用圖卷積神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)節(jié)點信息的特點，提取異構(gòu)信息，并融合異構(gòu)信息的計算策略和評分信息融合策略解決節(jié)點評分問題，通過更新節(jié)點，減小了訓(xùn)練規(guī)模，提高了計算效率。除了數(shù)據(jù)量的問題，關(guān)于可解釋性上，同樣地利用了用戶和項目兩個實體，Chen等將知識圖（knowledge graph，KG）引入到推薦系統(tǒng)來提高可解釋性。他們提出了一種基于KG 的交互式規(guī)則引導(dǎo)推薦（interactive rules-guided recommender，IR-Rec）框架，主要是從增強的KG 中提取用戶-項目之間交互的多條路徑，再從潛在動機角度將這些路徑歸納出一些公共行為規(guī)則，通過這些規(guī)則來確定推薦的潛在原因。根據(jù)用戶、項目和規(guī)則設(shè)計了圖卷積網(wǎng)絡(luò)等不同神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)嵌入表示。Bonet等給出了一種時間協(xié)同過濾（temporal collaborative filtering，TCF）方法，利用GNN 學(xué)習(xí)用戶和項目表示，并利用遞歸神經(jīng)網(wǎng)絡(luò)建模。該方法為了解決數(shù)據(jù)稀疏性，使用每段時間累積的數(shù)據(jù)來訓(xùn)練GNN，提高了推薦系統(tǒng)的性能，但其側(cè)重于提高推薦的準確度，忽視了推薦系統(tǒng)的可解釋性，且無法應(yīng)對數(shù)據(jù)樣本量稀少的情況。

2.2 圖注意力網(wǎng)絡(luò)推薦系統(tǒng)

圖注意力網(wǎng)絡(luò)（graph attention network，GAT）是一種基于空間的圖卷積網(wǎng)絡(luò)，它在聚合特征信息時，將注意力機制用于確定節(jié)點鄰域權(quán)重。它能夠放大數(shù)據(jù)中最重要部分的影響并且能夠自適應(yīng)地學(xué)習(xí)鄰居節(jié)點權(quán)重。但是，計算成本和內(nèi)存消耗會隨著每對鄰居之間的注意權(quán)重的計算而迅速增加。這也是基于GAT 推薦系統(tǒng)的難題。

基于GAT 推薦系統(tǒng)的研究比較豐富。社交關(guān)系是GAT 應(yīng)用的主要因素。Song等提出了用于在線社區(qū)基于會話的社交推薦的動態(tài)圖注意力神經(jīng)網(wǎng)絡(luò)（dynamic-graph-attention neural network）模型。同樣地，Jiang 等人也認為社會關(guān)系能優(yōu)化推薦系統(tǒng)，由此將社會信息融入到圖卷積網(wǎng)絡(luò)中的嵌入鄰域聚類中，利用用戶-項目交互圖和社會關(guān)系圖來捕捉用戶的項目品味和用戶朋友之間的關(guān)系。他們設(shè)計了一種新的框架——注意力社會推薦系統(tǒng)（attentional social recommendation system，ASR），通過兩個注意力機制分別研究節(jié)點的鄰居權(quán)重以及交互圖和社交圖之間的語義貢獻，并利用分層圖注意力卷積網(wǎng)絡(luò)使SAR 能自適應(yīng)地探索更高階的交互和社會鄰居，以構(gòu)建更好的嵌入表示。但是，ASR 設(shè)置了兩個注意力機制而使模型更加復(fù)雜，往后需要有效、合理地簡化GAT。在社會關(guān)系的另一方面，對于利用社會信息解決傳統(tǒng)協(xié)同過濾中的數(shù)據(jù)稀疏性和冷啟動問題，Wu等提出了能夠?qū)W習(xí)二重社交影響的對偶圖注意力網(wǎng)絡(luò)（dual graph attention networks for modeling multifaceted social effects in recommender systems，DANSER），它包括兩個對偶的圖注意力網(wǎng)絡(luò)，以學(xué)習(xí)推薦系統(tǒng)中社會效應(yīng)的深層表征，利用了特定用戶的注意力權(quán)重和通過動態(tài)并能夠感知上下文的注意力權(quán)重來建模。不同于大多數(shù)的模型，它并沒有假設(shè)好友的社會影響是固定靜態(tài)的。而在上述文獻中，文獻[18，20]都有考慮到用戶的動態(tài)性，而文獻[19]僅僅利用了其他信息來關(guān)聯(lián)一些隱性信息。實際上，許多社會研究和實踐案例表明，人們的消費行為和社會行為不是孤立的，而是相互關(guān)聯(lián)的。一些隱性信息也值得挖掘。Xiao等基于圖神經(jīng)網(wǎng)絡(luò)、注意機制和互補模型，創(chuàng)造出了一種新的框架——MutualRec（joint friend and item recommendations with mutualistic attentional graph neural networks），用于聯(lián)合建模社交網(wǎng)絡(luò)中的用戶偏好和社交交互。這種框架使用了空間和頻譜注意力神經(jīng)網(wǎng)絡(luò)層來獲取用戶的偏好特征和社交特征，再通過互補模型中的關(guān)注層將兩個特征融合在一起，同時解決了社交推薦和鏈路預(yù)測任務(wù)。該模型具有一定局限性，可以結(jié)合知識圖來推薦，進而更好地使前兩層緩解數(shù)據(jù)稀疏性。而Dang等首次提出了一種將知識圖和知識表示引入到Web服務(wù)推薦中的深層知識感知方法，并提出了一種深度知識感知的Web 服務(wù)推薦框架（deep knowledge-aware approach for Web service recommendation，DKWSR）。該框架還加入了注意力機制來模擬當(dāng)前候選項目的標簽對組合項目表示的影響。這解決了因用戶調(diào)用有限數(shù)量的服務(wù)而導(dǎo)致的數(shù)據(jù)稀疏性和冷啟動問題，并提高了推薦結(jié)果的可解釋性。Li等為解決數(shù)據(jù)稀疏和冷啟動的問題，利用圖的邊信息創(chuàng)造出了一個名為GSIRec（graph side information for recommendation）的深層端到端推薦框架。其利用了圖注意力神經(jīng)網(wǎng)絡(luò)來增強推薦。Salamat等通過將社會網(wǎng)絡(luò)建模為一個異質(zhì)圖，利用帶注意力機制的GNN 智能聚合來自所有來源的信息，并提出了一種新的基于圖的推薦系統(tǒng)Hetero-GraphRe（heterogeneous graph-based neural networks for social recommendations）。該系統(tǒng)提高了模型的可解釋性，但未考慮社交網(wǎng)絡(luò)的動態(tài)行為。以上的文獻方法都能有效解決數(shù)據(jù)稀疏和冷啟動問題，但由于文獻[24]需要獲取了大量的信息，那么如何進行高效的數(shù)據(jù)篩選從而捕獲有用的信息也是一個大的挑戰(zhàn)。眾所周知，KG 能有效地緩解數(shù)據(jù)稀疏性，但基于KG 的推薦系統(tǒng)不能自動捕獲實體對推薦的長期依賴關(guān)系，Sang等提出了一種雙通道神經(jīng)交互方法——知識圖增強神經(jīng)協(xié)同過濾殘差遞歸網(wǎng)絡(luò)（knowledge graph enhanced neural collaborative filtering with residual recurrent network，KGNCF-RRN）。該方法能捕捉豐富的語義信息，還能捕捉用戶與項目之間復(fù)雜的隱含關(guān)系，用于推薦。這也為捕獲隱性信息提供了方法。

2.3 圖自動編碼器推薦系統(tǒng)

圖自動編碼器（graph autoencoders）是一類圖嵌入方法，典型的用法是利用多層感知機作為編碼器來獲取節(jié)點嵌入。其目的是利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將圖的頂點表示為低維向量。Kipf 與Welling 在2016 年提出了基于圖的（變分）自編碼器——VGAE（variational graph auto-encoder）。自此開始，圖自編碼器在很多領(lǐng)域都派上了用場，例如腦電路圖、多視圖、社交網(wǎng)絡(luò)等。

在隱式關(guān)系上，文獻[29-32]各自提出了模型，但區(qū)別在于一個是捕捉圖結(jié)構(gòu)下的隱式信任關(guān)系，另一個是捕獲隱式數(shù)據(jù)之間的關(guān)系。Zheng等提出了一種基于變分自動編碼器（variational auto-encoder，VAE）的隱式信任關(guān)系感知社交推薦模型（implicit trust relation-aware model，ITRA）。ITRA 采用注意模塊將加權(quán)信任嵌入信息反饋到繼承的非線性VAE 結(jié)構(gòu)中。模型可以通過重建一個包含間接關(guān)鍵意見領(lǐng)袖和鄰居顯性聯(lián)系的隱式高階交互的非二進制鄰接社交矩陣進行推薦。而典型的模型通常將用戶信任關(guān)系描述為從社交圖中導(dǎo)出的二進制鄰接矩陣，基本上只包含鄰域交互，然后用相同的值對不同個體的信任值進行編碼。這種方法無法捕捉隱藏在圖結(jié)構(gòu)下的隱式高階關(guān)系，因此忽略了間接因素的影響。而Yao等提出了相關(guān)瓦瑟斯坦自動編碼器（correlated Wasserstein autoencoders，CWAEs）模型，通過無向無環(huán)圖來表示數(shù)據(jù)，利用現(xiàn)實世界數(shù)據(jù)通常相互關(guān)聯(lián)的特點，以提高推薦性能。更進一步地，Deng等提出了一種混合的HybridGNN-SR（combining unsupervised and supervised graph learning for session-based recommendation）模型，將無監(jiān)督圖學(xué)習(xí)和有監(jiān)督圖學(xué)習(xí)相結(jié)合，從圖的角度來表示會話中的項目轉(zhuǎn)換模式以此捕捉節(jié)點特征的圖形結(jié)構(gòu)數(shù)據(jù)。具體說，在無監(jiān)督學(xué)習(xí)部分，提出將變分圖自動編碼器和互信息相結(jié)合來表示會話圖中的節(jié)點；在監(jiān)督學(xué)習(xí)部分，使用一種路由算法來提取會話中較高概念特征進行推薦。這種算法考慮了會話中的項目之間依賴關(guān)系。文獻[32]則是開發(fā)了一種考慮用戶偏好的監(jiān)督多變量自動編碼器（supervised multivariational autoencoder considering user preference，SMVAE-UP），可以提取內(nèi)容特征之間的關(guān)系，從而獲得偏好感知的多通道特征。這樣可以從大量帖子中為每個用戶個性化推薦帖子，但是該訓(xùn)練時間具有局限性，使用了Intel Core i77800X，NVIDIA Quadro GV100和32 GB RAM的計算機，所有用戶訓(xùn)練SMVAE（supervised multi-variational auto-encoder）的總時間為33.5 h。如何更高效、更簡潔地處理大數(shù)據(jù)，從而挖掘隱式關(guān)系，是需要考慮的問題。

2.4 圖生成網(wǎng)絡(luò)推薦系統(tǒng)

圖生成網(wǎng)絡(luò)（graph generative networks）是給定一組觀察到的圖的情況下生成新的圖。圖生成網(wǎng)絡(luò)的方法都是基于特定領(lǐng)域，例如：分子圖生成、自然語言處理等。一些方法是將生成過程看作交替生成節(jié)點和邊，另一些方法是利用生成對抗訓(xùn)練。在最近的研究中，圖生成網(wǎng)絡(luò)正在被深度學(xué)習(xí)徹底改變，其應(yīng)用廣泛，尤其是藥物中的分子生成等方面。而在推薦系統(tǒng)的生成圖上，新節(jié)點連通性與現(xiàn)有圖的冷啟動問題一直存在。例如用戶屬性，如性別、教育等存在著大部分缺失信息，使得個性化推薦任務(wù)遇到一定問題。Zhou等提出一種基于對抗性VAE 的屬性推斷模型（infer-AVAE）。該模型將多層感知器和GNN 結(jié)合，學(xué)習(xí)正負潛在表示，還將引入互信息約束作為解碼器的正則化器，以更好地利用表示中的輔助信息并生成不受觀察限制的輸出表示，但其還是會出現(xiàn)過擬合和過度平滑問題。對稀疏性數(shù)據(jù)，很容易產(chǎn)生過擬合現(xiàn)象。盡管在學(xué)習(xí)圖表示和圖生成方面出現(xiàn)了一些新的文獻，但是由于學(xué)習(xí)過程嚴重依賴于拓撲特征，從而導(dǎo)致大多數(shù)的圖表示和圖生成方法大都不能處理孤立的新節(jié)點。在這方面，Xu等提出了一個統(tǒng)一的生成圖卷積網(wǎng)絡(luò)模型，該模型通過對觀察到的圖形數(shù)據(jù)構(gòu)造的圖生成序列進行采樣，自適應(yīng)地學(xué)習(xí)生成模型框架中所有節(jié)點的節(jié)點表示。此模型是將圖表示學(xué)習(xí)和圖卷積網(wǎng)絡(luò)結(jié)合到一個順序生成模型，該方法在增長圖的鏈接預(yù)測上優(yōu)于其他方法。然而，因為計算復(fù)雜性取決于完整圖的大小，可伸縮性仍然是一個主要問題。大多數(shù)研究還會結(jié)合對抗神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成圖生成對抗神經(jīng)網(wǎng)絡(luò)。例如，Wu等提出了一種新的基于圖卷積的生成先令攻擊（graph convolutionbased generative shilling attack，GOAT），部署了一個生成性對抗網(wǎng)絡(luò)（generative adversarial network，GAN），其生成器還結(jié)合了一種圖卷積結(jié)構(gòu)。該方法是為了探索推薦系統(tǒng)的穩(wěn)定性，進而提出了先令攻擊模型。此推薦方法只適用于對基于評論等內(nèi)容的推薦。同樣是結(jié)合對抗神經(jīng)網(wǎng)絡(luò)，Zhang等提出了一種新的全局仿射和局部特定生成對抗網(wǎng)絡(luò)（globalaffine and local-specific generative adversarial network，GALS-GAN），用于顯式構(gòu)造全局語義布局和學(xué)習(xí)不同的實例級特征，解決了合成細粒度紋理和小規(guī)模實例的困難。可見，圖生成網(wǎng)絡(luò)推薦系統(tǒng)開始和卷積神經(jīng)網(wǎng)絡(luò)或?qū)股窠?jīng)網(wǎng)絡(luò)進行了一定程度的融合。受到深度學(xué)習(xí)和強化學(xué)習(xí)最新進展的啟發(fā)，有些人開始利用圖的深度生成模型結(jié)合注意力機制來生成模型。不過，這些推薦系統(tǒng)僅僅是想生成有用且有效的信息，并沒有考慮到興趣會隨時間變化，當(dāng)圖變大時，對長序列建模就變得困難了，而且這些方法都不能擴展到大的圖，其性能還有待提升。

2.5 圖時空網(wǎng)絡(luò)推薦系統(tǒng)

圖時空網(wǎng)絡(luò)（graph spatial-temporal networks）同時捕捉時空圖的時空相關(guān)性，它利用時空圖來建模。時空圖具有全局圖結(jié)構(gòu)，每個節(jié)點的輸入隨時間變化。圖時空網(wǎng)絡(luò)的目標可以是預(yù)測未來的節(jié)點值或標簽，或者預(yù)測時空圖標簽。它常用于交通流量預(yù)測方面。最近的研究常結(jié)合深度學(xué)習(xí)使用時空圖卷積網(wǎng)絡(luò)（spatial-temporal graph convolution networks，ST-GCN）來提取空間和時間維度上的特征。例如Park等設(shè)計的生成性對抗網(wǎng)絡(luò)框架，它從一組帶有樣式標簽但未配對的運動剪輯中學(xué)習(xí)風(fēng)格特征，以支持多個樣式域之間的映射，而以往多采用單一維度，例如利用時間軸來提取數(shù)據(jù)風(fēng)格特征，無法表現(xiàn)空間動態(tài)的運動。雖然該文獻中的框架能提取空間和時間兩個維度的特征，但其對隨機噪音十分敏感，適合少量已經(jīng)標好明確樣式標簽的數(shù)據(jù)。對于涉及時間動態(tài)和屬性交互上，一般算法通過時間線分割不同的時間窗口，但不適用于有交互行為的數(shù)據(jù)，還不能完全處理異構(gòu)節(jié)點數(shù)據(jù)。Zhang等提出了一個新的框架TigeCMN（temporal interaction graph embedding via coupled memory neural networks），從一個序列的時間相互作用中學(xué)習(xí)節(jié)點表示。該框架也可以結(jié)合機器學(xué)習(xí)任務(wù)，適用性廣，但僅僅考慮了二部圖，未擴展到多部異構(gòu)圖而且訓(xùn)練過程中提取數(shù)據(jù)是均勻抽樣，其實用性較差，具有很大的改進空間。楊珍等提出了該方向的專利，通過建模時序信息的GCN，再分配給周圍鄰居的時序注意力權(quán)重來探索時序信息，提高了推薦系統(tǒng)的性能。但該方法只能用于購物商品推薦，具有一定的局限性。與傳統(tǒng)推薦任務(wù)不同，由于POI（point-of-interest）推薦具有個性化、空間感知和時間依賴性，圖時空網(wǎng)絡(luò)推薦系統(tǒng)常應(yīng)用于POI 推薦。已有文獻嘗試對空間和時間特征建模，但大多存在以下兩大局限性：一方面，在空間上現(xiàn)有作品只考慮了用戶和POI 的距離或者POI-POI 距離，不能發(fā)現(xiàn)用戶區(qū)域周期偏好；另一方面，在時間上大多數(shù)文獻將用戶和時間視為兩個獨立的因素，沒有發(fā)現(xiàn)不同用戶可能在不同的時間偏愛相同的POI。Han等對此提出了多個利用用戶區(qū)域周期模型和用戶POI 周期模型的評分函數(shù)，還開發(fā)了一個時間平滑策略來緩解數(shù)據(jù)稀疏性問題，但未能考慮到時空序列節(jié)點之間的上下文信息。

總體而言，在以上五類基于圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)研究中，如表1 所示，圖卷積與圖注意力神經(jīng)網(wǎng)絡(luò)依舊是熱點，GCN 能夠和其他四類進行嵌入獲得新的方法。而圖自動編碼器很適合發(fā)現(xiàn)并處理隱式數(shù)據(jù)，圖生成神經(jīng)網(wǎng)絡(luò)會利用對抗神經(jīng)網(wǎng)絡(luò)成為對抗生成網(wǎng)絡(luò)，還會結(jié)合知識圖譜增強數(shù)據(jù)，減少節(jié)點數(shù)據(jù)稀疏。而圖時空網(wǎng)絡(luò)推薦系統(tǒng)場景基本上是POI任務(wù)推薦，由于數(shù)據(jù)量大，會結(jié)合注意力網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)建模。單獨采用圖生成網(wǎng)絡(luò)推薦系統(tǒng)和圖時空網(wǎng)絡(luò)推薦系統(tǒng)文獻較少。一方面是計算內(nèi)存和速度限制了該方向的研究進展；另一方面是圖生成網(wǎng)絡(luò)對于新節(jié)點只有節(jié)點屬性可用，圖時空網(wǎng)絡(luò)中的時空圖涉及到空間和時間問題。不過，這也表示了該研究處于研究階段初期。圖生成網(wǎng)絡(luò)推薦系統(tǒng)和圖時空網(wǎng)絡(luò)推薦系統(tǒng)存在巨大繼續(xù)研究的空間。

表1 GNN 推薦系統(tǒng)各類別的對比Table 1 Classes comparison of graph neural network in recommendation system

3 GNN 推薦系統(tǒng)問題

由于存在該領(lǐng)域的研究成果不單單屬于以上分類，而且從圖神經(jīng)網(wǎng)絡(luò)角度來看，圖卷積神經(jīng)網(wǎng)絡(luò)常與其他四類結(jié)合來促進推薦系統(tǒng)領(lǐng)域發(fā)展，另一方面，推薦系統(tǒng)中的圖神經(jīng)網(wǎng)絡(luò)開始融合社交網(wǎng)絡(luò)和知識圖譜。雖然Xiang 等在文獻[44]已經(jīng)歸納出了問題類別，但基于圖神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)的范圍非常龐大，有些算法和應(yīng)用很難明確歸納到某一類。而對于有些分類來說，同一分類的問題可以針對不同類型的算法和應(yīng)用。這里，按照推薦系統(tǒng)一般的場景來劃分，把問題分為六類：序列推薦問題、社交推薦問題、跨域推薦問題、多行為推薦問題、捆綁推薦問題以及基于會話的推薦問題。

3.1 序列推薦問題

在真實場景中，通常會使用所有數(shù)據(jù)來訓(xùn)練模型，但這樣會遺漏用戶表示中的用戶序列行為信息。在最近的研究中，Yang等通過添加一個標簽推薦函數(shù)建立一個順序推薦模型。Gu等將項目圖嵌入和上下文建模結(jié)合到推薦系統(tǒng)任務(wù)中去。而

Tao等提出了一種新的序貫推薦方法，從隱式用戶交互歷史中學(xué)習(xí)項目趨勢信息，并將項目趨勢信息合并到后續(xù)的項目推薦任務(wù)中，利用了門控圖神經(jīng)網(wǎng)絡(luò)對項目趨勢表征建模來提高項目的表征能力。這些提出的方法都提高了推薦系統(tǒng)的性能，但文獻[46-47]都是利用歷史信息且都采用了注意力機制，只是前者使用的是會話序列信息，后者使用的是用戶交互歷史。對于隱式信息，Wang等引入知識圖，利用用戶的隱式偏好表示，整合了遞歸神經(jīng)網(wǎng)絡(luò)和注意力機制，以捕捉用戶興趣的演變和序列中不同項目之間的關(guān)系。

3.2 社交推薦問題

社交推薦主要是利用信任或親密的人所感興趣的東西，即用戶關(guān)系鏈中的推薦內(nèi)容，進而對用戶進行推薦。近些年，在提高社交推薦的精確度上，Guo等關(guān)注到了項目特征之間的相關(guān)性，將用戶特征空間和項目特征空間抽象為兩個圖形網(wǎng)絡(luò)。Liu等提出了項目關(guān)系圖神經(jīng)網(wǎng)絡(luò)，用于同時發(fā)現(xiàn)多個復(fù)雜關(guān)系，而且對于不能直接獲取的項目或者用戶信息提供了解決方案。而Salamat等通過將社會網(wǎng)絡(luò)建模為一個異質(zhì)圖，利用帶注意力機制的GNN 智能聚合來自所有來源的信息，建立用戶與用戶、項目與項目、用戶與項目之間的關(guān)系。在關(guān)系方面，實體之間還存在著高階的關(guān)系，為了捕獲這些高階的關(guān)系，很多文獻考慮將知識圖譜和用戶-項目圖進行融合。又因為知識圖譜有多重類型的邊，所以需要使用注意力機制來聚集來自鄰居的信息。在用戶信息整合上，一些工作假設(shè)用戶具有靜態(tài)的表示，再利用GNN 來學(xué)習(xí)項目表示；另外的一些工作則將用戶作為知識圖譜中一種輸入數(shù)據(jù)來學(xué)習(xí)。例如Wang等對融合后的知識圖譜進行嵌入表示，使用注意力機制和遞歸神經(jīng)傳播鄰居節(jié)點的嵌入表示來更新當(dāng)前節(jié)點的表示。這些關(guān)系在一定程度上解決了圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)數(shù)據(jù)的稀疏性問題。

3.3 跨域推薦問題

跨域推薦一般利用原本的數(shù)據(jù)集來對單個目標進行推薦，有的還考慮到用戶與物品之間的雙向潛在關(guān)系和潛在信息。Yang等將知識圖與排序?qū)W習(xí)、神經(jīng)網(wǎng)絡(luò)相結(jié)合來構(gòu)建模型，提出了基于知識圖的貝葉斯個性化推薦模型和基于知識圖的神經(jīng)網(wǎng)絡(luò)推薦模型，可以通過捕獲高階關(guān)系來解決個性化問題。文獻[56]引入了一種新的耦合圖張量分解模型。當(dāng)單邊的信息以項目-項目相關(guān)矩陣或圖形的形式出現(xiàn)時，它能解釋與圖相關(guān)的邊信息。Ouyang等利用相關(guān)域的互補信息來緩解稀疏性，實現(xiàn)了基于學(xué)習(xí)應(yīng)用嵌入的跨域應(yīng)用推薦，可以為用戶找到符合自己興趣的應(yīng)用程序。對于個性化新聞推薦，Sheu等提出了一種基于上下文感知的圖嵌入方法，用于新聞的推薦。為了充分利用結(jié)構(gòu)和特征信息，Liang等提出了一種新的異構(gòu)圖神經(jīng)網(wǎng)絡(luò)框架——HGNRec（heterogeneous graph neural network framework）。Ma等提出了一個基于圖的行為感知網(wǎng)絡(luò)。由于應(yīng)用場景不一樣，所需信息的量也不同，而知識圖譜所捕獲的信息量巨大，故文獻[55]的推薦模型的運行也較其他場景更復(fù)雜。其中文獻[58-60]都是適用于新聞推薦應(yīng)用，但目標不一樣，文獻[58]強調(diào)新聞個性化，而文獻[60]則重在多樣化。Wang等將標準的圖卷積網(wǎng)絡(luò)引入推薦中，它利用用戶-物品交互圖來傳播嵌入特征表示：

He等則簡化了該公式：

上述研究表明模型的簡單性帶來了更高的性能。Amar針對推薦系統(tǒng)問題提出了一種基于SVD（singular value decomposition）的簡單方法的基準測試，以理解進一步簡化建模方法是否可以改善性能指標。Liu等采用兩個GNN 來處理每個用戶/物品的Embedding，其中一個處理偏好，另一個處理相似性。這個帶有兩個圖的模型將GNN 和協(xié)同過濾方法進行了融合，使推薦系統(tǒng)達到了更高的精確度。

3.4 多行為推薦問題

在現(xiàn)實中，用戶行為不僅僅是單個類型的用戶與商品的行為數(shù)據(jù)，還有復(fù)雜的交互關(guān)系類型數(shù)據(jù)，例如：加購、點擊、購買、收藏等。Xia等提出了一種基于圖形神經(jīng)網(wǎng)絡(luò)的多行為增強推薦框架，該框架在基于圖形的消息傳遞體系結(jié)構(gòu)下，顯式地建模不同類型的用戶-項目交互之間的依賴關(guān)系。它還設(shè)計了一個關(guān)系聚合網(wǎng)絡(luò)來模擬交互異構(gòu)性，并遞歸地在相鄰節(jié)點之間通過用戶-項目交互圖進行嵌入傳播。它采用了異構(gòu)圖來構(gòu)建依賴關(guān)系，而在交互的時間序列上，Yu等用一種基于圖神經(jīng)網(wǎng)絡(luò)的混合模型對多行為交互序列進行特征層次的深層表示，從而實現(xiàn)基于會話的推薦。在具體的互動式新聞推薦上，Ma等同時考慮了六種不同類型的行為以及用戶對新聞多樣性的需求。他們分別從不同角度來解決用戶的多行為問題，但方法各有千秋，用戶的多行為問題依舊是一個挑戰(zhàn)。

3.5 捆綁推薦問題

捆綁推薦經(jīng)常使用在場景推薦中，由于用戶不僅僅與單個物品進行交互，他們希望一次性得到自己想要的產(chǎn)品。那么，怎樣才能使用戶獲得所需的一系列物品，這是一個問題。在法律推薦方面，Yang等構(gòu)造了一個HLIN（heterogeneous legal information network）網(wǎng)絡(luò)，它包含了文本信息和各種節(jié)點。其基本思想是融合來自多個異構(gòu)圖的交互特征以改進圖節(jié)點的表示學(xué)習(xí)，例如user-item 二部圖和social關(guān)系網(wǎng)絡(luò)圖。Zhang等認為這是第一次將metapath 與social relation 表征結(jié)合起來的工作。草藥推薦方面，Yuan等將注意機制引入綜合癥狀誘導(dǎo)過程模型。此外，它還引入了中醫(yī)知識圖譜，以豐富輸入語料庫，提高表示學(xué)習(xí)的質(zhì)量。在減輕客戶服務(wù)壓力方面：Liu等通過圖形神經(jīng)網(wǎng)絡(luò)對一組靈活的服裝項目進行建模；Chen等采用時空圖進行了動態(tài)預(yù)測，動態(tài)地提供最優(yōu)的自行車站布局；Yang等添加了一個標簽推薦函數(shù)，通過點擊標簽快速捕獲用戶的問題意圖。在舞蹈音樂推薦方面：Gong等提出了一種基于舞蹈運動分析的深度音樂推薦算法，實現(xiàn)了一種新的音樂推薦方法，可以學(xué)習(xí)動作和音樂之間的對應(yīng)關(guān)系。針對開發(fā)人員所需的API（application programming interface）問題，Ling等提出了一種新的API 使用推薦方法GAPI（graph neural network based collaborative filtering for API usage recommendation）；Zhang等提出了基于圖卷積網(wǎng)絡(luò)的語義變分圖自動編碼器，這是一種端到端的方法。對于課程推薦，Zhu等將網(wǎng)絡(luò)結(jié)構(gòu)化特征與圖形神經(jīng)網(wǎng)絡(luò)和用戶交互活動相結(jié)合，采用張量分解技術(shù)，提出了一種混合推薦模型?？梢姡瑘D神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)的實用場景豐富。場景動態(tài)性是考慮的重點，時空圖和動態(tài)圖將是研究的主要問題。

3.6 會話推薦問題

在會話推薦系統(tǒng)中，系統(tǒng)通過自然語言和用戶進行動態(tài)交互，識別出用戶的偏好，進而進行物品推薦。一般的靜態(tài)模型缺乏用戶的實時反饋和顯式指導(dǎo)，目前研究的會話推薦系統(tǒng)正解決這方面的問題。在基于匿名會話預(yù)測用戶操作上，Zheng等提出了一種雙通道圖轉(zhuǎn)換網(wǎng)絡(luò)的方法，用于模擬目標會話和鄰居會話之間的項轉(zhuǎn)換。基于多行為的會話推薦預(yù)測下一個項目上，Yu等提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的混合模型GNNH。與其他模型相比，該模型通過特征級別表征學(xué)習(xí)發(fā)現(xiàn)多行為轉(zhuǎn)換模式的潛力，能夠?qū)Χ嘈袨榻换バ蛄羞M行特征層次的深層表示，從而實現(xiàn)基于會話的推薦。對于會話興趣動態(tài)問題上，Gu等提出了一種將項目圖嵌入和上下文建模結(jié)合到推薦任務(wù)中的方法。它是基于所有歷史會話序列構(gòu)造的有向圖，利用圖神經(jīng)網(wǎng)絡(luò)捕捉項目之間豐富的局部依賴關(guān)系。并采用會話級注意機制，根據(jù)目標用戶的當(dāng)前興趣獲得每個好友的表示。它還對目標用戶的歷史會話興趣應(yīng)用最大池，了解其長期興趣的動態(tài)性?；跁捦扑]的技術(shù)上，Huang等提出了一個具有多級轉(zhuǎn)換動力學(xué)（multi-level transition dynamics，MTD）的多任務(wù)學(xué)習(xí)框架，該框架能夠以自動和分層的方式聯(lián)合學(xué)習(xí)會話內(nèi)和會話間的項目轉(zhuǎn)換動力學(xué)，從而捕捉了復(fù)雜的過渡動態(tài)信息，這種過渡動態(tài)表現(xiàn)為時序和多級相互依賴的關(guān)系結(jié)構(gòu)。

這六種分類方法是從問題角度出發(fā)的分類。如表2 所示，在這六大分類中不難發(fā)現(xiàn)，信息質(zhì)量與數(shù)量是一個很大的影響因素，為了得到更多的有用信息，會采用隱式信息或者高階信息。序列推薦方面也可以適量結(jié)合該方面的其他信息來提升推薦準確性。而跨域推薦中模型改進上的簡化也值得探究。那么數(shù)據(jù)是否也需要簡化呢？隨著個性化和用戶多行為化，個性化推薦和多樣化推薦的平衡如何維持？這也有待研究。

表2 問題相似性歸納分析Table 2 Inductive analysis of problem similarity

4 GNN 推薦系統(tǒng)研究難點及未來研究方向

隨著在線信息的爆炸式增長，人們提出了眾多推薦方法，推薦系統(tǒng)取得了一定的研究進展。尤其是圖神經(jīng)網(wǎng)絡(luò)，已有的研究進展和現(xiàn)今計算內(nèi)存和速度的提升為圖數(shù)據(jù)分析鋪平了道路，對基于圖神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)研究提供了強有力的幫助。圖神經(jīng)網(wǎng)絡(luò)作為一種有效的圖數(shù)據(jù)深度表示學(xué)習(xí)技術(shù)，其研究已經(jīng)成功地探索了推薦系統(tǒng)方面的多種任務(wù)，并證明了其有效性。以往圖神經(jīng)網(wǎng)絡(luò)對推薦的研究角度是GNN 模型的圖結(jié)構(gòu)、個人或群體等，大多集中在無向圖的結(jié)構(gòu)或用戶數(shù)量分類上，忽略了GNN 本身模型分類和問題本身。本文由方法、問題兩個角度對圖神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)進行了研究、分析，對比了方法中每小類的優(yōu)點和局限性，概括了問題中的難點。以下是一些存在研究難點的未來研究方向。

4.1 數(shù)據(jù)稀疏性和冷啟動

推薦系統(tǒng)應(yīng)用中，用戶行為數(shù)據(jù)稀少與用戶或者項目的數(shù)量不足導(dǎo)致推薦系統(tǒng)長期存在稀疏性和冷啟動問題，跨領(lǐng)域推薦方法及輔助信息的嵌入等方法應(yīng)運而生。而對于圖神經(jīng)網(wǎng)絡(luò)方面，隨著知識表示學(xué)習(xí)和知識路徑推理等關(guān)鍵知識圖技術(shù)的出現(xiàn)，利用知識圖譜輔助推薦將面臨諸多挑戰(zhàn)，也是一個重要的研究熱點。文獻[79]提出了協(xié)同知識增強的推薦方法，通過構(gòu)建的交互圖中項目之間的聯(lián)系和知識圖中實體之間的連通性來學(xué)習(xí)用戶和項目的表示。除了將知識圖譜與推薦系統(tǒng)結(jié)合起來，現(xiàn)實世界中還有許多其他外部結(jié)構(gòu)信息可以幫助推薦，例如社交網(wǎng)絡(luò)中的社會關(guān)系信息等。Guo等就提出了一種基于異構(gòu)多關(guān)系圖融合的信任推薦方法。它同時考慮用戶的社會信任關(guān)系和項目相關(guān)知識，這為解決數(shù)據(jù)稀疏性和冷啟動問題提供了更多的可能。特別是圖卷積網(wǎng)絡(luò)，其與其他方法的結(jié)合使得這一研究方向得到了進一步的發(fā)展。但是，單獨運用圖生成網(wǎng)絡(luò)和圖時空網(wǎng)絡(luò)在推薦系統(tǒng)上比較少，最近這方面的研究漸漸多起來了，這將是未來尤其注意的方向，而圖生成網(wǎng)絡(luò)推薦系統(tǒng)方面的獨立節(jié)點和其數(shù)據(jù)稀疏性導(dǎo)致模型易過擬合問題將是研究的重難點。

4.2 用戶動態(tài)興趣

知識圖譜不僅包含各種數(shù)據(jù)類型（例如，像用戶和項目這樣的節(jié)點類型，以及像不同的行為類型這樣的邊類型），通常還有不同的和不確定的興趣。在多行為用戶和個性化推薦上，許多文獻對用戶動態(tài)興趣問題提供了一些模型以及方法。Isufi等發(fā)展了一個從最近鄰和最遠鄰圖學(xué)習(xí)聯(lián)合卷積表示的模型，以建立一個新的準確性-多樣性權(quán)衡推薦系統(tǒng)。但大多數(shù)都是基于用戶數(shù)據(jù)的補充上，如何解決與用戶意圖相關(guān)的嵌入問題，如何自適應(yīng)地為每個用戶設(shè)置不同的興趣數(shù)，如何為多向量表示設(shè)計一個有效的傳播模式等，需要進一步研究。因此，如何表現(xiàn)用戶的多重和不確定的興趣是一個值得探索的方向。

4.3 動態(tài)圖與異構(gòu)圖

在現(xiàn)實世界的推薦系統(tǒng)中，不僅用戶興趣是動態(tài)的，而且用戶和項目之間的關(guān)系也隨著時間的推移而發(fā)生變化。為了確保推薦的精確度，系統(tǒng)需要時常更新信息。從圖的角度來看，不斷更新的信息帶來的是動態(tài)圖而不是靜態(tài)圖。而動態(tài)圖形則帶來了變化的結(jié)構(gòu)。在實際應(yīng)用中，如何針對動態(tài)圖設(shè)計相應(yīng)的GNN 框架是一個有趣的前瞻性研究課題。現(xiàn)有的推薦研究很少關(guān)注動態(tài)圖，而且基于時空圖神經(jīng)網(wǎng)絡(luò)的研究也很少，動態(tài)圖在推薦中是一個很大程度上未被探索的領(lǐng)域，值得進一步研究。在推薦系統(tǒng)處理復(fù)雜、屬性豐富、基于上下文的交互信息的性能上，現(xiàn)有的基于GCN 的方法大多集中于同構(gòu)圖環(huán)境下的任務(wù)求解，沒有考慮異構(gòu)圖環(huán)境。傳統(tǒng)的GCN 方法需要一個完整的圖鄰接矩陣來進行嵌入學(xué)習(xí)，這種為圖中的每個節(jié)點生成鄰居節(jié)點的遞歸方法使得訓(xùn)練一個深度大的GCNN 模型更具挑戰(zhàn)性。由于處理復(fù)雜的計算和訓(xùn)練大規(guī)模數(shù)據(jù)集，再加上模型邊界的過度測量，這在很大程度上阻礙了推薦系統(tǒng)框架的應(yīng)用，還需要進行深入的研究。

4.4 大數(shù)據(jù)與數(shù)據(jù)噪音

在推薦系統(tǒng)中，隨著時間累計，數(shù)據(jù)越來越多，數(shù)據(jù)量過大將會帶來更多的數(shù)據(jù)噪音。目前的主要挑戰(zhàn)是從用戶-物品交互以及輔助信息中學(xué)習(xí)有用的信息。而處理復(fù)雜的計算和訓(xùn)練大規(guī)模數(shù)據(jù)集也是一個挑戰(zhàn)?，F(xiàn)有的基于圖神經(jīng)網(wǎng)絡(luò)的方法利用用戶與項目之間的高階連通性來獲得滿意的性能，但是這些方法的訓(xùn)練效率較低，容易引入信息傳播的偏差。此外，由于觀測的交互信息極其稀疏，應(yīng)用的貝葉斯個性化排序損失不足以為訓(xùn)練提供監(jiān)督信號。為了解決上述問題，Pan等提出了有效圖協(xié)同過濾方法。但不同的領(lǐng)域包含各種不同的圖數(shù)據(jù)，節(jié)點和連邊關(guān)系也各有不同，如何結(jié)合領(lǐng)域中有用的知識對給定的圖數(shù)據(jù)利用圖卷積神經(jīng)網(wǎng)絡(luò)進行建模是圖卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用的關(guān)鍵問題。如果數(shù)據(jù)全部運用上，隨之而來的是過平滑問題，而且推薦的準確度會降低。因此，如何在基于GNN 的推薦中為每個用戶或項目自適應(yīng)地選擇合適的接收信息的范圍也是一個值得研究的問題。數(shù)據(jù)作為推薦系統(tǒng)最重要的部分，如何解決推薦的多樣性和個性化的問題。這也將是未來研究的主要問題。

總而言之，在現(xiàn)有研究的基礎(chǔ)上，GNN 推薦系統(tǒng)的難點大致上與數(shù)據(jù)、動態(tài)問題有關(guān)。從數(shù)據(jù)量來看，存在由于數(shù)據(jù)過少而導(dǎo)致的數(shù)據(jù)稀疏性和冷啟動問題，也存在數(shù)據(jù)過多時的數(shù)據(jù)篩選和數(shù)據(jù)噪音問題。從動態(tài)性來看，存在著用戶的動態(tài)興趣嵌入問題和動態(tài)、異構(gòu)圖的模型構(gòu)建問題。這些難點也是未來研究的方向。