5-3 图神经网络在推荐系统中的应用

推荐系统和图神经网络

推荐系统在华为多个场景被广泛应用，如信息流、广告、APP分发等。典型的推荐系统结构包括用户画像、物品属性、上下文信息、物品池、排序和重排序等模块。

图神经网络用于召回

基于图神经网络的召回模型在业界已有多种研究工作，如Pinsage、LightGCN、NGCF、NIA-GCN、Multi-GCCF、DGCF、SGL、NCL等。NIA-GCN通过邻居交互感知的图卷积网络，解决了异质性问题和简单的聚合函数限制问题，在召回效果上提升了21.8%。GraphSAIL则通过嵌入蒸馏和局部/全局结构蒸馏，实现了图神经网络的增量学习，解决了灾难性遗忘问题。

图神经网络用于精排

基于图神经网络的精排模型在业界也有多种研究工作，如GraphFM、GMT、FiGNN、L0-SIGN、HIEN、DGENN等。DGENN通过双图增强的嵌入神经网络，解决了特征稀疏性和行为稀疏性问题，在多个数据集上相比已有基线模型大幅提升。GCN在精排场景的轻量化则通过图预训练、图蒸馏和图粗化等策略，提升了模型的训练和推理效率。

图神经网络用于重排

IRGPR通过商品关系图神经网络，实现了个性化重排序。该模型构建了异质图来建模用户和商品间的关系，通过消息传播学习用户/商品的表征向量，并进行个性化重排序。在Amazon数据集上，IRGPR取得了显著的实验结果。

总结和展望

图神经网络在推荐系统的召回、精排、重排中得到了广泛的研究和应用。未来研究方向包括多行为、多场景、多模态等的应用，复杂异质图建模，以及进一步提升训练效率，增快模型迭代效率。