线性时间图神经网络可扩展的推荐系统
内容提要
该文综述了图神经网络在推荐系统中的应用，涵盖GraphRec社交推荐、GNN推荐模型分类、LiGNN大规模部署、隐私保护DGREC、因子图神经网络及SR-HGNN社会化推荐等研究，并探讨了相关挑战与未来方向。
延伸解读
从GraphRec到LiGNN：社交推荐与工业部署的演进
文章梳理了图神经网络推荐系统的多个代表性工作。GraphRec（2019）联合建模用户-物品图和社交图，捕捉交互与观点；LiGNN（2024）则展示了LinkedIn在大规模图上的工程实践，通过图结构设计、冷启动和邻居采样优化提升训练速度。这反映出该领域从模型创新向工业可扩展性的延伸，读者可关注不同阶段解决的核心问题差异。
隐私与效率的平衡：DGREC的分散式思路
DGREC（2023）是一种分散式图神经网络推荐系统，旨在保护隐私的同时确保通信效率。与集中式训练不同，它允许用户选择公开互动，在隐私敏感场景下提供了一种折中方案。这一方向提示我们，推荐系统不仅要追求精度，还需考虑数据合规与用户信任，未来如何在不牺牲性能的前提下实现隐私保护值得持续关注。
高阶关系与多类型交互：SR-HGNN的突破
SR-HGNN（2021）针对现有社交推荐模型难以充分探索多类型用户-物品交互及跨关系相互依存的问题，提出层次图神经网络框架。在三个公开基准上，它明显优于现有方法。这表明，利用层次结构建模复杂社交关系是提升推荐效果的有效途径，尤其适用于交互类型丰富的平台。
可扩展性与计算负担：随机循环神经网络方案
文章提到一种可扩展架构，利用随机循环神经网络嵌入时序历史数据，并通过不同幂次的图相邻矩阵传播生成节点嵌入，实现多尺度时空特征表示。该方法在保持竞争力的同时大幅降低计算负担。对于面临大规模图数据的推荐系统，这种平衡精度与效率的思路具有参考价值，但需注意其适用场景可能受数据特性限制。
Q&A
GraphRec 是什么？它如何用于社交推荐？
GraphRec 是一种用于社交推荐的图神经网络框架，可以共同模拟两个图形和异构强度，并对用户-项目图形中的交互和观点进行联合捕获。
基于图神经网络的推荐系统有哪些主要分类？
针对不同类型的信息和推荐任务，GNN-based 推荐模型被分类，并分析了在不同类型数据上应用时面临的挑战及现有工作的解决方案。
LiGNN 在 LinkedIn 的大规模部署中做了哪些优化？
LiGNN 通过图形结构设计、冷启动解决方案和邻居采样优化等算法改进，实现了在 LinkedIn 图表上大规模训练的速度提升，并总结了实际部署中的经验教训。
DGREC 如何保护隐私？
DGREC 是一种分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。
因子图神经网络模型有什么特点？
因子图神经网络模型能够有效捕捉高阶关系进行推理和学习，并通过适当选择信息聚合操作，实现了 Max-Product 和 Sum-Product 循环置信传播的单一架构。
SR-HGNN 解决了社交推荐中的哪些问题？
SR-HGNN 是一种基于层次图神经网络的社会化推荐框架，解决了现有社交推荐模型难以完全探索多类型用户-物品交互行为及跨关系相互依存关系的问题，并在三个公共基准测试中明显优于现有技术。
