链接（何向南教授）：https://hexiangnan.github.io/papers/wsdm22-tutorial-proposal.pdf

摘要：

近年来，图神经网络(graph neural network, GNN)以其强大的结构化数据处理能力和对高阶信息的挖掘能力，成为许多推荐问题研究的新方法。然而，由于现实世界中推荐任务的多样性和多样性，针对具体问题设计合适的GNN方法是相当具有挑战性的。在本教程中，我们将重点关注基于gnn的推荐的关键挑战和潜在的解决方案。具体来说，我们从推荐系统和图神经网络的广泛背景开始。然后，我们全面讨论了为什么推荐系统需要gnn，以及挑战的四个部分，包括图构建、网络设计、优化和计算效率。然后，我们通过阐述基于gnn的推荐模型的最新进展来讨论如何应对这些挑战，并从四个关键角度进行系统分类:阶段、场景、目标和应用。最后，我们总结了本教程，并讨论了未来的重要方向。

推荐系统开发的三个阶段：浅层模型，基于神经网络的模型和基于图神经网络的模型

图神经网络在推荐系统中的优势：

1.统一结构化数据（专门设计的GNN将捕获不同数据源之间的相关性和相互作用，并为特定任务学习高级表示）

2.高阶连接的建模（图上的多层嵌入传播可以关联多跳实体信息，从而捕获用户和项目之间的高阶连通性和相似度）

3.GNN可以缓解具有半监督信号的推荐系统的数据稀疏性问题（例如在多行为推荐中辅助目标行为与其他行为的建模）

推荐的系统的挑战：

1.图建设：构造合适的图节点和图边;

2.网络设计：设计具有适当嵌入传播/聚合层的有效GNN架构;

3.模型优化：设计合适的优化目标、损失函数、数据采样方式等;

4.计算效率：保证推荐模型的高效训练和推理

相关会议上的相关教程

Deep Learning for Recommendations: Fundamentals and Advances, TheWebConf 2021 and IJCAI 2021

Learning and Reasoning on Graph for Recommendation, WSDM 2020 and CIKM 2019