Graph4Rec是由百度同学研发的基于PaddlePaddle实现的推荐系统GNN应用工具包。
论文链接：
Graph4Rec: A Universal Toolkit with Graph Neural Networks for Recommender Systems
笔者认为，Graph4Rec存在以下三个方面值得借鉴和思考：
- 统一GNN训练范式
- 提供多种GNN实现策略和技巧
- 提供真实场景中的评测方法和评测数据集
统一GNN训练范式
Graph4Rec将GNN的训练过程拆分成以下五个步骤
- Graph Inputs：输入图数据，包含节点、节点类型、边、边类型、（特征，即side information）
- Random Walk Generation：通过设置元路径（异构图可选）、游走长度、游走轮数生成游走序列
- Ego Graphs Generation：采样子图
- Pairs Generation：设置窗口长度和负采样数，生成节点对作为训练输入
- GNNs Selection：选择GNN Encoder，设置参数训练GNN模型
提供多种GNN实现策略和技巧
在真实的推荐场景中落地GNN主要面临大规模训练和高效训练两方面问题。
针对大规模训练问题，Graph4Rec采用参数服务器来解决。
针对高效训练问题，Graph4Rec采用以下几个策略：
- 使用Walk, Sample, Pair的顺序
对比Walk, Pair, Sample顺序
优点：减少重复采样相同节点子图的时间
缺点：减少训练样本的多样性
实验对比：速度翻倍，性能小幅下降
- In-batch Negative Sampling：在同一个batch内采样负例
实验对比全局负采样：速度翻四倍，性能上无明显差异
- Pre-training and Parameters Warm Start
首先训练random walk based图模型，基于训出来的模型参数，再用GNN-based 模型来加快收敛和提高性能。
实验只对比了纯random walk based图模型和纯GNN-based 模型的收敛性和性能，没有看到Warm up方式对效率和效果带来的影响。（如果我有看漏的，欢迎指出更正）
提供真实场景中的评测方法和评测数据集
在推荐系统中应用GNN的论文存在模型不好比、demo与落地存在GAP两个主要问题。
（1）模型不好比：没有统一的数据集和评测方式，无法直接评判模型的好坏
（2）demo与落地存在GAP：大多数论文只提供了一个小数据集上的demo，无法代表真实业务场景数据集的应用效果
Graph4Rec针对上述两个问题，首先选择了三种常用召回策略（UCF、ICF、U2I）定义了了topK的recall指标，接着选择了真实场景中的数据集最终完成实验。
ICF@topK：为user的每个交互item召回最相似的前N个item，返回出现最频繁K个item
UCF@topK：为user召回最相似的前N个user，返回这些user交互的最频繁K个item
U2I@topK：用user embedding检索最相似的前K个item
