作者 | Plato
SIGIR'19的一篇论文Neural Graph Collaborative Filtering（NGCF）介绍了用图神经网络（GNN）来增强协同过滤推荐系统的方法。今天我们来聊一聊下面几个话题：
- 什么是协同过滤？如何用协同过滤做推荐？
- NGCF是如何构图的？NGCF在基础的GNN上有哪些改动？如何用NGCF做推荐？
协同过滤
协同过滤（CF）是一种常用的推荐系统做法。协同，指收集广大用户的口味；过滤，指过滤出『我』可能喜欢的物品。这个方法通过收集用户的兴趣和口味，给用户推荐口味相近的人喜欢的物品。
在构建推荐系统的过程中，我们收集了很多用户与物品的交互历史，比如豆瓣电影中用户对电影的打分；淘宝中用户对物品的浏览、购买等。这些交互历史能够表示成一个用户
、物品
的交互矩阵
。
协同过滤模型需要 1. 用向量表示用户的口味
、物品的特性
；2. 通过用户的口味、物品的特性去近似交互历史
；3. 给用户
推荐交互得分最高的物品
。
矩阵分解（MF）是一种基础的协同过滤模型。
MF视频[1]截图，有编辑
MF大致过程如下（另可参考视频[1]）：
- 将用户看成矩阵
，物品看做矩阵
，
为embedding长度
- 使用矩阵的乘积
去近似交互矩阵
，使用梯度下降法最小化
，求解
MF的输入单一，不能使用用户与物品的特征作为输入；同时MF对稀疏的交互矩阵效果较差。NGCF作者认为使用GNN能同时解决这两个问题。
- GNN使用节点特征作为初始embedding，可以在这里加入用户特征、物品特征；
- GNN能够引入『高阶交互历史信息』。
例如『你浏览的这个电影，喜欢它的用户也喜欢以下电影』这种『用户-物品-用户-物品』三阶信息，就是一种『高阶交互历史信息』。这种信息在推荐系统中无疑是非常重要的。
那么作者在论文中如何将GNN加入协同过滤系统的呢？首先，要将历史交互构图；然后，在这个交互图上，使用GNN来嵌入『高阶交互历史信息』，获得节点（用户、物品）的embedding；最后，通过embedding来近似历史交互矩阵
。过程如下：
- 使用交互历史构图；
- 在图上，使用GNN学习embedding
；
- 和MF类似，使用矩阵的乘积
去近似交互矩阵
。
NGCF如何构图？
作者希望使用GNN对高阶交互历史进行建模，就首先要对交互历史进行构图。左图是由用户、物品的交互历史构成的二部图；右图是将左图围绕
展开，获得该点的『高阶历史信息』。
GNN如何获得节点embedding？
在GNN中，节点的embedding初始化成节点的特征，然后通过聚合邻居及自己上一层的
，获得新一层的
。
在NGCF中，第k-1层的节点信息是这样聚合到第k层的：
GNCF的整体网络架构
- 将每个用户
所有layer的embedding连接起来作为用户最终embedding
- 将每个物品
所有layer的embedding连接起来作为物品最终embedding
- 将点积
作为最后的模型预测值
- 使用了推荐系统常用的pairwise BPR loss，能对正样本和负样本加上不同的权重，使正样本能特别体现用户的口味，负样本能少量体现用户的口味
学到的embedding效果如何？
在用t-SNE降维后，下图是对NGCF与MF的embedding可视化。星星是一个用户，圆圈是一个物品。可以看到NGCF的clusters彼此之间更加分离，即同一个用户交互过的物品，它们的embeddings更加相似。
作者还在Gowalla、Yelp2018、Amazon-Book三个数据集上对比了推荐效果，NGCF均为state of the art。
其他：NGCF作者的论文[2]与实现[3]。
参考
- ^How does Netflix recommend movies? Matrix Factorization https://www.youtube.com/watch?v=ZspR5PZemcs
- ^https://arxiv.org/abs/1905.08108
- ^https://github.com/xiangwang1223/neural_graph_collaborative_filtering
