WSDM 2022 | 基于图神经网络的协同过滤设计空间研究

近年来，图神经网络（Graph Neural Network，GNN）被广泛应用于协同过滤（Collaborative Filtering，CF）这一推荐系统中最流行的技术之一。然而，大多数现有工作关注特定推荐场景下的单个最优模型架构设计，而缺少模型不同设计维度对推荐性能影响的理解。因此，如何在新的推荐场景中快速获得高性能模型仍然是一个具有挑战性的问题。为解决这一问题，在本工作中，我们首次尝试对基于GNN的CF方法的设计空间进行剖析，以丰富我们对不同设计维度的理解，同时提供一种新颖的模型设计范式。我们提出了基于GNN的CF的统一设计框架，在此基础上提出设计空间，并通过大量实验评估不同设计维度对推荐性能的影响，得到有趣的实验发现。在实验结果的指导下，我们进一步压缩设计空间，使其更加紧凑，包含更高比例的高性能模型。实验结果表明，压缩后的设计空间具有质量高、泛化能力强的优点。