图神经在推荐系统中的应用：

1.【SIGIR 2021】Graph Meta Network for Multi-Behavior Recommendation
论文链接：https://dl.acm.org/doi/pdf/10.1145/3404835.3462972
代码链接：https://github.com/akaxlh/MB-GMN
论文导读：作者来自华南理工大学。文章提出 MB-GMN（Multi-Behavior with Graph Meta Network），将元学习和图神经网络相结合。MB-GMN 分为三个模块，分别是：多行为模式编码（Multi-Behavior Pattern Encoding）、元图神经网络（Meta Graph Neural Network）、以及元学习迁移网络（Meta-Knowledge Transfer Network）。

2.Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions
论文链接：https://www.zhuanzhi.ai/paper/bf43598c0fc4a7c2220775a439cc48e1
代码链接：https://github.com/tsinghua-fib-lab/GNN-Recommender-Systems
论文导读：本文基于图神经网络的推荐系统的文献进行了全面的回顾。我们首先介绍了推荐系统和图神经网络的背景和发展历史。对于推荐系统，一般来说，现有工作的分类分为四个方面: 阶段、场景、目标和应用。对于图神经网络，现有的方法包括谱模型和空间模型两大类。然后讨论了将图神经网络应用于推荐系统的动机，主要包括高阶连通性、数据的结构特性和增强的监督信号。然后我们系统地分析了图构造、嵌入传播/聚合、模型优化和计算效率方面的挑战。之后，我们首先按照上面的分类法，全面概述了基于图神经网络的推荐系统的大量现有工作。最后，对该领域存在的问题和未来发展方向进行了讨论。

3.【KDD 2021】Socially-Aware Self-Supervised Tri-Training for Recommendation
文章作者：Junliang Yu, Hongzhi Yin, Min Gao, Xin Xia, Xiangliang Zhang, Nguyen Quoc Viet Hung
文章地址：https://arxiv.org/pdf/2106.03569.pdf
文章导读：论文作者来自澳大利亚昆士兰大学。本文关注推荐系统中的用户-物品推荐问题。作者将tri-training方法融入到自监督框架中，首先根据用户-物品图和用户-用户图的对应关系对用户关系构建三个不同视角的图，这三张图共享节点初始化特征，并分别通过各自对应的编码器学习图中节点表示。然后通过tri-training方式标记无标签样本，从中寻找与用户u最相似的top-k个用户，计算其标签，并把他们加入到带标签数据中。最后，主任务是推荐任务，辅助任务是鉴别用户相似度，其中，给定用户u，带标签的用户与其构成正样本对，无标签的用户与其构成负样本对，以此作为辅助任务标签。实验表明，该模型有助于提升推荐性能。

SEPT模型图

图神经在自然语言处理中的应用：

【EMNLP 2020】An Unsupervised Joint System for Text Generation from Knowledge Graphs and Semantic Parsing
文章作者：Martin Schmitt、Sahand Sharifzadeh、Volker Tresp、Hinrich Schütze
文章地址：https://arxiv.org/pdf/1904.09447.pdf
文章导读：文章由慕尼黑大学研究完成。为了解决图到文本生成与文本到知识图谱抽取中有监督方法总会遇到特定领域并行图文数据短缺，同时在不同领域中训练的模型很难去调整的问题，本文提出了一种由知识图谱到文本生成的非监督方法，同时展示了如何将其用于无监督语义分析。

内容中包含的图片若涉及版权问题，请及时与我们联系删除