[00104587]基于图嵌入与图神经网络的推荐系统

　　项目概述：

　　推荐系统在现实世界中应用广泛。本项目针对社交、购物平台中交互关系丰富、时间跨度长等特点，研究基于图嵌入与图神经网络的推荐系统。通过提取用户的历史与实时交互信息，为用户推荐最感兴趣的内容。项目流程主要分为以下四步：

　　o 根据实体间的相互关系建立图结构数据；

　　o 提取实体图嵌入表示；

　　o 通过图神经网络模型进行嵌入表示的实时消息传播和更新；

　　o 选取算法进行推荐。

　　提取图嵌入表示的第一步是生成关系图，通过用户行为序列生成物品相关图，也可以利用相同属性、相同类别等信息，通过这些相似性建立物品之间的边，从而生成基于内容的图结构数据。图结构数据十分庞大，使用嵌入表示可以有效减小实际计算的数据量。基于图的嵌入表示方式有很多，其中代表有DeepWalk、LINE、EGES、SDNE等。生成的嵌入表示能捕捉到图的结构信息、各顶点之间的关系以及用户在操作过程中的历史行为信息，可以有效提高推荐系统的稳定性。由于物品的信息和用户的操作是实时变化的，通过以GCN、GAT、GraphSAGE等为代表的图神经网络模型进行消息传播、更新特征，实时引入用户当前的兴趣点，提高实时推荐效果。推荐算法的选择多样，如计算特征相似度、关联规则、聚类分类等多种方式对不同用户进行推荐，或者使用双塔模型以联合物品音频、视觉、文本等进行推荐。现实中数据结构可能超出成对连接、多模态数据、甚至更复杂的场景，此时可以引入超图、异质图等结构以面对更大的挑战。整体模型阶段明确、实现灵活，可以面对多种不同的复杂真实场景。

　　应用范围：

　　当今的短视频、音乐、广告、电商项目层出不穷，利用图结构数据可以对丰富的交互关系进行很好的建模。利用图嵌入表示捕获更丰富、长久的交互关系，并利用图神经网络针对当前交互进行更新，可以做到统筹考虑长期和短期的用户喜好。两阶段分离式设计可以针对不同业务场景进行灵活调整，适用范围广。后期成品可应用于视频视频推荐、商品推荐、视频博主推荐、个性化广告定向投放等真实业务。

　　应用实例

　　效益分析：

　　本单位的基于图神经网络的推荐算法经过了多年的技术研发与积累，使用了最新的深度神经网络技术，发表了多篇相关学术成果，可广泛应用于一系列不同领域，产生较好的社会效益和经济效益。

　　合作方式：

　　技术转让、联合推广。

　　所属领域：

　　计算机和人工智能。