论文地址：https://dl.acm.org/doi/pdf/10.1145/3535101

随着在线信息的爆炸式增长，推荐系统在缓解这种信息过载方面发挥着关键作用。由于推荐系统的重要应用价值，该领域一直有新兴的工作。在推荐系统中，主要挑战是从交互和辅助信息（如果有的话）中学习有效的用户/项目表示。最近，图神经网络（GNN）技术在推荐系统中得到了广泛的应用，主要原因有以下三点：（1）推荐系统中的大部分信息本质上都具有图结构，而 GNN 在图表示学习方面具有优势；（2）从图结构的角度，不同的数据类型信息可以采用统一的框架建模；（3）GNN通过多层网络传递信息，可以显式地编码用户交互行为中的高阶信号。本文基于推荐过程中使用的信息类型和推荐任务对现有工作进行分类，分别为用户-项目协同过滤，序列推荐，基于社交网络的推荐，基于知识图谱的推荐，以及其他任务。对于每个类别，我们总结了主要挑战，介绍了代表性模型并说明了它们如何解决这些问题。每一章的最后对现有工作的优点和局限性展开了讨论。本文总结了主流基准数据集、广泛采用的评估指标，并简述了实际应用。此外，我们阐述了9个该领域有待进一步研究的方向。

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