论文标题：

Profiling the Design Space for Graph Neural Networks based Collaborative Filtering

论文链接：

http://www.shichuan.org/doc/125.pdf

GNN是很火的技术，现在广泛的应用于推荐系统协同过滤相关方法中，但是大部分方法都是针对特定场景涉及特定的方法，没有考虑不同设计的影响。本文剖析基于 GNN 的 CF 方法的设计空间。通过对设计空间的理解，可以增强最优模型搜索，提升效率。

通过阅读本文可以简单直接的理解基于GNN的推荐方法的基本设计思路，并且可以了解设计空间中的冗余部分，通过精简之后，在更加集中的空间中搜索最优模型。

现存的基于GNN的CF通常可以被划分为4个模块：初始化，GNN，多组件和交互。

基于上述统一框架，可以得到上图上的9个设计维度，这几个维度可以被划分到4个模块中。为了探索每个设计维度的影响，本文对不同维度进行剖析。note：本文的目的不是提出最广泛的设计空间，而是帮助理解基于 GNN 的 CF 的不同设计维度的影响，并获得设计性能良好模型的见解。几个重要的设计维度如下，

  • 消息函数：通常是直接设计，但是也有一些方法认为源节点和目标节点的交互应该被编码为消息，因此也可以设计为，通过哈达玛积计算消息。
  • 聚合f()：考虑四种常见且有效的 GNN 方法作为其设计选择：GCN，GAT，GIN和GraphSAGE。同时包括None的选择，这表示不利用图信息并通过 MLP 细化用户/商品表征，以扩大设计空间的容量以包括那些非基于 GNN 的模型。
  • 结合层g()：Stack 表示直接堆叠多个 GNN 层，并使用最后一层的输出来获得每个组件对应的表示。当然也可以使用Concat、Sum和Mean等。
  • 组件结合c()：比较直接的方式是拼接Concat，也可以使用注意力机制Att和均值Mean
  • 交互函数p()：比较常用的是点积Dot Product，也可以采用NN的方式，比如Concat+MLP或Sum+MLP。

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