文献类型：期刊文章

作　　者：吴静[1] 谢辉[1] 姜火文[1]

WU Jing;XIE Hui;JIANG Huowen(School of Mathematics and Computer Science,Jiangxi Science and Technology Normal University,Nanchang 330038,China)

机构地区：[1]江西科技师范大学数学与计算机科学学院,南昌330038

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金(71561013,61762044);江西省社会科学研究规划项目(20TQ04);江西省高校人文社会科学研究项目(JC17221,JD18083,JC18109);江西省教育厅科技计划项目(GJJ211116,GJJ170661)。

年　　份：2022

卷　　号：16

期　　号：10

起止页码：2249-2263

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、DOAJ、IC、JST、ZGKJHX、核心刊

摘　　要：推荐系统(RS)因信息冗杂繁多而诞生。由于数据形式的多样化、复杂化以及数据信息量稀疏性,传统的推荐系统已经不能很好地解决目前的问题。图神经网络(GNN)能从图中对边和节点数据进行特征提取和表示,对处理图结构数据具有先天优势,因此在推荐系统中蓬勃发展。将近年的主要研究成果进行了梳理并加以总结,着重从方法、问题两个角度出发,系统性地综述了图神经网络推荐系统。首先,从方法层面阐述了图卷积网络推荐系统、图注意力网络推荐系统、图自动编码器推荐系统、图生成网络推荐系统、图时空网络推荐系统等五大类的图神经网络推荐系统;接着,从问题相似性出发,归纳出序列推荐问题、社交推荐问题、跨域推荐问题、多行为推荐问题、捆绑推荐问题以及基于会话推荐问题等六大类问题;最后,在对已有方法分析和总结的基础上,指出了目前图神经网络推荐系统研究面临的难点,提出相应的研究问题以及未来研究的方向。

关 键 词：图神经网络(GNN)  推荐系统(RS)  图卷积网络(GCN)  

分 类 号：TP391]