1905.08108_NGCF: Neural Graph Collaborative Filtering

总结

总结

  • 看图1和它对应的说明

背景

  • 个性化推荐系统

    • 核心任务是通过用户的历史行为（如购买、点击）来预测他/她喜欢某个物品的可能性

    • 协同过滤（CF） 是解决这个问题的核心思想，它基于一个基本假设：行为相似的用户，对物品的喜好也相似

  • 协同过滤模型的两个关键组件

    • Embedding（嵌入）：将用户和物品ID（或属性）转换为向量化的表示。

    • Interaction Modeling（交互建模）：用一个函数（如内积、神经网络）根据嵌入向量来预测用户和物品之间交互的可能性。

  • 示例

    • 矩阵分解（MF）：用ID嵌入 + 内积交互

    • 协同深度学习：用ID+属性等辅助信息做嵌入 + 内积交互

    • 神经协同过滤（NCF）：用ID嵌入 + 神经网络交互

    • 翻译模型：用ID嵌入 + 欧几里得距离交互

  • 传统方法缺点

    • 传统方法（从矩阵分解到深度学习）通常通过用户或物品的已有特征（如 ID 和属性）来生成其嵌入表示。

    • 关键问题：

      • 只使用了描述性特征（如ID、属性），而没有显式地使用协同信号（Collaborative Signal）

    • 协同信号：隐藏在用户-物品交互行为中，能揭示用户之间或物品之间行为相似性的信息

    • 结果：

      • 由于嵌入本身没能很好地捕捉到协同过滤的本质，模型就只能过度依赖“交互函数”这个组件来弥补嵌入的不足。

      • 这相当于让一个部分（交互函数）去干两个部分的活，效果受限。

NGCF模型

  • 核心思想：

    • 不是把图展开成复杂的树结构，而是设计一个神经网络来在图上递归地传播嵌入。

    • 这受到了图神经网络（GNN） 的启发。

  • 一种新的预测模型，它直接将高阶连接信息集成到了模型架构（嵌入函数）本身中

  • 具体技术：

    • 嵌入传播层（Embedding Propagation Layer）：

      • 通过聚合一个节点（用户或物品）的邻居节点的嵌入，来优化该节点自身的嵌入。

      • 例如，用户的嵌入通过聚合他交互过的所有物品的嵌入来更新。

    • 堆叠多层（Stacking Multiple Layers）：

      • 通过堆叠多个传播层，信息可以传播得更远，从而让最终的用户和物品嵌入捕获到 高阶的协同信号（如图1中的三阶、四阶连接）。

    • 可学习的权重：

      • 层与层之间的权重是可以通过训练学习的，这可以让模型自动判断不同路径的重要性（例如，决定是推荐 i4 还是 i5 的优先级）。

  • 包含三个核心组件

    • 嵌入层 (Embedding Layer)：对用户和物品进行初始化嵌入

    • 多层嵌入传播层 (Embedding Propagation Layers)：通过图神经网络的方式，在用户-物品交互图中传播嵌入信息，注入高阶连接信息

    • 预测层 (Prediction Layer)：聚合不同传播层的嵌入表示，输出用户-物品对的亲和力得分

  • 核心是一个新提出的嵌入传播层，该层允许用户和商品的嵌入相互作用，从而提取协同信号。

Abstract

该段落主要介绍了 神经图协同过滤（Neural Graph Collaborative Filtering, NGCF） 这一推荐系统模型的背景、动机、方法及其实验结果。

背景与动机

  • 用户和物品的向量表示（Embeddings）是现代推荐系统的核心。传统方法（从矩阵分解到深度学习）通常通过用户或物品的已有特征（如 ID 和属性）来生成其嵌入表示。

  • 关键问题：这些方法的一个固有缺陷是：没有将用户-物品交互中隐含的协同信号（collaborative signal）纳入嵌入过程，导致生成的嵌入可能无法有效捕捉协同过滤效果。

方法与创新

  • 本文提出：将用户-物品交互结构（更具体地说，是二部图结构）直接整合进嵌入过程。

  • NGCF 框架：利用图结构，通过在用户-物品图上传播嵌入信息，从而学习用户和物品的表示。

  • 优势：这种方法能够显式地注入协同信号，并有效建模高阶连接性（high-order connectivity），从而提升推荐效果。

实验与结果

  • 在三个公开数据集上进行了广泛实验，结果表明 NGCF 显著优于多个先进的模型，例如：

    • HOP-Rec (Yang et al., 2018)

    • Collaborative Memory Network (Ebesu et al., 2018)

  • 进一步分析也证实了嵌入传播对学习更好表示的重要性，支持了 NGCF 的合理性与有效性。

其他信息

  • 关键词：Collaborative Filtering, Recommendation, High-order Connectivity, Embedding Propagation, Graph Neural Network

  • 发表信息：2019 年 ACM SIGIR 会议，会议地点：法国巴黎。

重点总结

  • 核心问题：传统方法未利用用户-物品交互的协同信号。

  • 核心方法：通过图结构传播嵌入，学习更高质量的用户和物品表示。

  • 核心贡献：提出 NGCF 模型，在多个基准上取得显著效果提升。

  • 重要验证：实验和分析均支持嵌入传播的必要性与有效性。

1. Introduction

核心摘要

这段文字介绍了一种新的推荐系统算法（NGCF）。它认为现有的主流方法有一个根本缺陷：没有将“用户-物品”的交互信息直接编码到用户和物品的“嵌入表示”（Embedding）中。为了解决这个问题，NGCF创新性地使用图神经网络（GNN） 技术，通过模拟用户在交互图中的高阶连接关系，来学习更丰富、更精确的嵌入表示，从而提升推荐效果。

背景介绍

  • 主要内容：介绍了个性化推荐系统无处不在，其核心任务是通过用户的历史行为（如购买、点击）来预测他/她喜欢某个物品的可能性。

  • 关键概念：协同过滤（CF） 是解决这个问题的核心思想，它基于一个基本假设：行为相似的用户，对物品的喜好也相似。

  • 实现方式：为了实现这个假设，通常的做法是为每个用户和物品学习一个参数化的表示（即嵌入，Embedding），然后用这些参数来重建历史交互记录并进行预测。

CF模型的两个组成部分

  • 主要内容：指出了可学习的CF模型包含两个关键部分：

    1. 嵌入（Embedding）：将用户和物品ID（或属性）转换为向量化的表示。

    2. 交互建模（Interaction Modeling）：用一个函数（如内积、神经网络）根据嵌入向量来预测用户和物品之间交互的可能性。

  • 举例：列举了几个经典模型来说明这两个组件是如何演进的：

    • 矩阵分解（MF）：用ID嵌入 + 内积交互。

    • 协同深度学习：用ID+属性等辅助信息做嵌入 + 内积交互。

    • 神经协同过滤（NCF）：用ID嵌入 + 神经网络交互。

    • 翻译模型：用ID嵌入 + 欧几里得距离交互。

现有方法的缺陷

  • 核心论点：作者认为，上述方法都有一个根本性的缺陷——它们的嵌入表示不够好。

  • 原因：在构建嵌入表示时，只使用了描述性特征（如ID、属性），而没有显式地编码协同信号（Collaborative Signal）。

    • 协同信号：隐藏在用户-物品交互行为中，能揭示用户之间或物品之间行为相似性的信息。

  • 后果：交互数据仅仅被用来定义模型训练的损失函数。由于嵌入本身没能很好地捕捉到协同过滤的本质，模型就只能过度依赖“交互函数”这个组件来弥补嵌入的不足。这相当于让一个部分（交互函数）去干两个部分的活，效果受限。

运行示例：解决方案的直觉（高阶连接）

  • 挑战：直接把海量的交互数据编码到嵌入中非常困难。

  • 解决方案：利用用户-物品交互图中天然的高阶连接（High-order Connectivity） 来编码协同信号。

  • 图1示例：

    • 用户 u1 和 u2 都交互过物品 i2，这构成了一条二阶路径 u1 <- i2 <- u2。这条路径表明 u1 和 u2 是行为相似的用户。

    • 路径 u1 <- i2 <- u2 <- i4 是一条三阶路径。它表明，因为 u1 的相似用户 u2 喜欢 i4，所以 u1 也可能喜欢 i4。

    • 路径越多、越短，这种关联性就越强。例如，通往 i4 的路径比通往 i5 的多，所以 u1 更可能喜欢 i4。

Figure 1 An illustration of the user-item interaction graph and the high-order connectivity. The node \(u_1\) is the target user to provide recommendations for.

本文方法（NGCF）

  • 核心思想：不是把图展开成复杂的树结构，而是设计一个神经网络来在图上递归地传播嵌入。这受到了图神经网络（GNN） 的启发。

  • 具体技术：

    • 嵌入传播层（Embedding Propagation Layer）：通过聚合一个节点（用户或物品）的邻居节点的嵌入，来优化该节点自身的嵌入。

      • 例如，用户的嵌入通过聚合他交互过的所有物品的嵌入来更新。

    • 堆叠多层（Stacking Multiple Layers）：通过堆叠多个传播层，信息可以传播得更远，从而让最终的用户和物品嵌入捕获到高阶的协同信号（如图1中的三阶、四阶连接）。

    • 可学习的权重：层与层之间的权重是可以通过训练学习的，这可以让模型自动判断不同路径的重要性（例如，决定是推荐 i4 还是 i5 的优先级）。

与相近工作的区别

  • 与HOP-Rec的区别：另一个利用了高阶连接的方法HOP-Rec，只是用这些连接来增强训练数据，其预测模型本身还是传统的MF。

  • 本文的贡献：NGCF是一种新的预测模型，它直接将高阶连接信息集成到了模型架构（嵌入函数）本身中，因此能学到比HOP-Rec更好的嵌入表示。

贡献总结

作者总结了本文的三个主要贡献：

  1. 强调了在嵌入函数中显式编码协同信号的重要性。

  2. 提出了一个基于GNN的新框架NGCF，通过嵌入传播来编码高阶连接。

  3. 在三个大规模数据集上验证了NGCF的先进性和有效性。

打个比方帮助你理解

想象一下在一个大型派对上推荐朋友：

  • 传统方法（如MF）：只了解每个人的基本信息（ID、职业、爱好等），然后猜测谁和谁可能合得来。他们之间是否真的交流过（交互数据），只用来事后验证猜测的对错。

  • NGCF方法：不仅了解基本信息，还会仔细观察派对上的社交互动。它会发现：

    • “A和B都跟C聊过天”（二阶连接）→ 所以A和B可能是一类人。

    • “A和C聊过，C又和D聊过，而D喜欢玩桌游”（三阶连接）→ 所以A可能也有兴趣玩桌游。

    • 通过一层层地观察这些互动关系，NGCF对每个人的了解（嵌入表示）会变得异常深入和准确，从而做出更靠谱的推荐。

2. Methodology

Figure 2. An illustration of NGCF model architecture (the arrowed lines present the flow of information). The representations of user \(u_{1}\) (left) and item \(i_{4}\) (right) are refined with multiple embedding propagation layers, whose outputs are concatenated to make the final prediction.

NGCF 模型包含三个核心组件：

  1. 嵌入层 (Embedding Layer)：对用户和物品进行初始化嵌入；

  2. 多层嵌入传播层 (Embedding Propagation Layers)：通过图神经网络的方式，在用户-物品交互图中传播嵌入信息，注入高阶连接信息；

  3. 预测层 (Prediction Layer)：聚合不同传播层的嵌入表示，输出用户-物品对的亲和力得分。

核心思想概括

传统的推荐模型（如矩阵分解MF）直接使用用户和物品的初始嵌入向量来计算匹配分数。而NGCF的核心创新在于，它将用户-物品的交互关系视为一个图，然后通过多层图神经网络（GNN） 的消息传递（Message Passing） 机制，让用户和物品的嵌入向量在这个图上传播和交互。通过这种方式，最终的嵌入向量不仅包含了自身的信息，还聚合了其高阶邻居（High-order Neighbors）的信息，从而显式地编码了更丰富的协同信号（Collaborative Signal）。

分组件详解

1. 嵌入层 (Embedding Layer)

  • 目的：初始化用户和物品的向量表示。

  • 做法：为每个用户 \(u\) 和每个物品 \(i\) 随机初始化一个 \(d\) 维的嵌入向量 \(\mathbf{e}_u\) 和 \(\mathbf{e}_i\)。所有这些向量组合成一个大的嵌入查询表 \(\mathbf{E}\)。

  • 与传统模型的区别：在MF等模型中，这些初始嵌入会直接用于预测；而在NGCF中，它们只是起点，后续会被图结构进一步优化。

2. 嵌入传播层 (Embedding Propagation Layers)

备注

这是模型的核心

这部分旨在利用用户-物品交互图来优化嵌入。它分为一阶传播和高阶传播。

a) 一阶传播 (First-order Propagation) 处理直接相连的邻居（即用户交互过的物品，或喜欢某个物品的用户）。包含两个步骤：

  1. 消息构建 (Message Construction)：

    • 对于一对相连的用户和物品 \((u, i)\)，定义从物品 \(i\) 传到用户 \(u\) 的消息 \(\mathbf{m}_{u \leftarrow i}\)。

    • 消息的计算公式（公式3）是NGCF的一个关键创新： $\(\mathbf{m}_{u \leftarrow i} = \frac{1}{\sqrt{|\mathcal{N}_u||\mathcal{N}_i|}} \Big( \mathbf{W}_1 \mathbf{e}_i + \mathbf{W}_2 (\mathbf{e}_i \odot \mathbf{e}_u) \Big)\)$

    • 公式解读：

      • \(\mathbf{W}_1, \mathbf{W}_2\)：可训练的权重矩阵，用于提取有用信息。

      • \(\frac{1}{\sqrt{|\mathcal{N}_u||\mathcal{N}_i|}}\)：归一化系数（拉普拉斯范数），用于控制消息的衰减强度。邻居越多，单条消息的贡献越小。

      • \(\mathbf{e}_i\)：物品自身的特征。

      • \(\mathbf{e}_i \odot \mathbf{e}_u\)：物品和用户向量的元素积（Element-wise Product）。这编码了二者之间的亲和力（affinity），相似的用户和物品会产生更强的消息。这是对标准图卷积网络（GCN）的改进。

  2. 消息聚合 (Message Aggregation)：

    • 用户 \(u\) 的新表示通过聚合来自所有邻居物品的消息以及自连接（self-connection） 的消息得到。

    • 公式：\(\mathbf{e}^{(1)}_u = \text{LeakyReLU} \Big( \mathbf{m}_{u \leftarrow u} + \sum_{i \in \mathcal{N}_u} \mathbf{m}_{u \leftarrow i} \Big)\)

    • \(\mathbf{m}_{u \leftarrow u} = \mathbf{W}_1 \mathbf{e}_u\) 是自连接，保留用户原有的特征。

    • 同样地，物品的表示也通过聚合来自其邻居用户的消息得到。

b) 高阶传播 (High-order Propagation)

  • 目的：通过堆叠多层传播层，捕获更远的、多跳的协同信号（例如：用户A <- 物品B <- 用户C <- 物品D）。这使得用户A的最终表示中包含了物品D的某些信息。

  • 做法：将第 \(l-1\) 层的输出 \(\mathbf{e}^{(l-1)}\) 作为第 \(l\) 层的输入，重复进行消息构建和聚合的过程（公式5, 6）。每一层都有自己独立的可训练权重矩阵 \(\mathbf{W}_1^{(l)}, \mathbf{W}_2^{(l)}\)。

  • 矩阵形式 (Matrix Form)：为了高效计算，作者给出了等效的矩阵运算形式（公式7, 8），可以一次性更新所有用户和物品的表示，无需繁琐的逐节点采样，非常适合大规模图。

3. 预测层 (Prediction Layer)

  • 目的：利用学习到的最终嵌入向量预测用户对物品的偏好分数。

  • 做法：

    1. 层聚合 (Layer Aggregation)：将同一用户（或物品）在所有层（包括第0层初始层） 的输出表示 \(\mathbf{e}^{(0)}, \mathbf{e}^{(1)}, ..., \mathbf{e}^{(L)}\) 拼接（Concatenate） 起来，形成最终的综合表示 \(\mathbf{e}^*_u\) 和 \(\mathbf{e}^*_i\)。

      • 原因：不同层的表示捕获了不同阶数的连通性信息，拼接可以保留所有这些信息。

    2. 交互计算：通过简单的内积（Inner Product） 计算用户和物品最终向度的相似度，作为预测分数 \(\hat{y}(u,i)\)。

4. 模型优化 (Optimization)

  • 损失函数：使用BPR（Bayesian Personalized Ranking）损失（公式11）。它的核心思想是：让观测到的（用户，正样本物品）对的预测分数，高于未观测到的（用户，负样本物品）对的预测分数。

  • 正则化：

    • L2正则化：防止过拟合。

    • Dropout技术：

      • 消息丢弃（Message Dropout）：随机丢弃一部分传播过程中的消息。

      • 节点丢弃（Node Dropout）：随机屏蔽一部分节点及其所有传出消息。

    • 这两种Dropout都只在训练时使用，为了增强模型的鲁棒性。

总结与亮点

  1. 图结构建模：显式地将用户-物品交互视为图，利用图结构。

  2. 高阶协同信号：通过多层GNN传播，捕获超越直接交互的、更深层次的协同信息。

  3. 创新消息传递：消息构建公式中的元素积 \(\mathbf{e}_i \odot \mathbf{e}_u\) 考虑了交互双方的特征亲和力，比标准GCN更强大。

  4. 层聚合机制：拼接所有层的输出，充分利用了从直接邻居到远距离邻居的多尺度信息。

  5. 高效且简洁：矩阵运算实现，效率高；相比MF，增加的参数量很少，主要只是各层的变换矩阵。

4. Experiments

本节对提出的**NGCF（Neural Graph Collaborative Filtering）方法进行了广泛的实验评估。实验重点在于验证NGCF在推荐系统中的性能，尤其是其图结构中的嵌入传播层（embedding propagation layer）**的效果。作者针对以下三个研究问题（RQ）进行了分析：

4.1. 数据集描述

实验在三个真实世界的数据集上进行，分别是 Gowalla（位置签到数据）、Yelp2018（本地商家评论数据）和 Amazon-Book（图书评论数据）。为了保证数据质量，每个数据集都使用了“10-core”设置，即只保留至少与10个物品或用户有交互的用户或物品。

  • Gowalla：29,858 个用户，40,981 个物品，1,027,370 次交互，密度为 0.00084。

  • Yelp2018：31,668 个用户，38,048 个物品，1,561,406 次交互，密度为 0.00130。

  • Amazon-Book：52,643 个用户，91,599 个物品，2,984,108 次交互，密度为 0.00062。

对于每个数据集，作者随机划分训练集（80%）、验证集（10%）和测试集（10%）。同时，对每个正样本进行负采样以生成负样本，用于模型训练和评估。

4.2. 实验设置

4.2.1. 评估指标

评估使用两个常见的推荐系统指标：

  • Recall@K：衡量推荐列表中包含真实正样本的比例。

  • nDCG@K：衡量推荐列表中排序的优劣，考虑物品的相对重要性。

默认设置为 K=20，并报告所有测试用户在各个指标的平均表现。

4.2.2. 基线方法

作者将 NGCF 与以下六种基线方法进行比较：

  1. MF（Matrix Factorization）：基于贝叶斯个性化排序（BPR）的矩阵分解方法。

  2. NeuMF：一种基于神经网络的协同过滤方法，结合了元素乘积和拼接方式。

  3. CMN（Collaborative Memory Networks）：使用注意力机制聚合邻近用户的记忆槽。

  4. HOP-Rec：基于图的模型，利用随机游走生成高阶邻居。

  5. PinSage：基于图卷积神经网络，用于图结构数据。

  6. GC-MC（Graph Convolution for Collaborative Filtering）：结合图卷积的推荐模型。

此外，作者也尝试了 SpectralCF，但由于其在大数据集上的高计算开销，最终未将其纳入比较。

4.2.3. 参数设置

  • 模型使用 Tensorflow 实现，嵌入维度固定为 64。

  • 所有模型（除 HOP-Rec）使用 Adam 优化器，批量大小为 1024。

  • 超参数通过网格搜索进行调优，包括学习率、L2正则化系数、Dropout 比例等。

  • NGCF 的深度设置为 3，使用 3 个嵌入传播层，消息 Dropout 比例为 0.1，节点 Dropout 比例为 0.0。

  • 采用早停策略，若验证集 recall@20 不再提升超过 50 个 epoch，则提前终止训练。

  • 参数初始化使用 Xavier 初始化，并使用 MF 的嵌入作为初始化以加快训练过程。

4.3. 性能比较（RQ1）

4.3.1. 整体比较

表2展示了各方法在三个数据集上的性能比较。主要发现如下：

  • MF 表现最差，表明其内积方式难以捕捉用户与物品之间的复杂关系。

  • NeuMF 在所有数据集上均优于 MF，说明非线性交互的重要性。

  • GC-MC 优于 NeuMF，说明引入邻接信息有助于推荐质量。

  • PinSage 在 Yelp2018 中表现较好，HOP-Rec 在多个数据集上的表现也较好。

  • NGCF 在所有数据集上均取得最佳性能，改进幅度显著（如 Gowalla 的 recall@20 提升 11.68%）。

  • NGCF 通过多层嵌入传播显式建模高阶连接性，优于仅使用一阶邻接的模型。

4.3.2. 不同稀疏度下的性能比较

作者进一步分析了不同交互稀疏度下的用户表现（例如稀疏用户 vs 频繁用户）。发现：

  • NGCF 和 HOP-Rec 在所有稀疏度组中的表现均优于其他基线。

  • 对于低交互用户（如交互数小于 24 的用户），NGCF 的提升更为显著。

  • 表明：建模高阶连接性有助于缓解稀疏性问题。

4.4. NGCF 模型研究（RQ2）

4.4.1. 层数的影响

通过比较不同层数的 NGCF（NGCF-1、NGCF-2、NGCF-3、NGCF-4），发现：

  • 增加层数有助于提高推荐性能，但 NGCF-3 表现最好。

  • NGCF-4 在 Yelp2018 上出现过拟合，说明过多层数会引入噪声。

  • 建议使用 3 层传播 即可充分捕捉高阶协作信号。

4.4.2. 嵌入传播层与聚合机制的影响

作者比较了 NGCF 的嵌入传播层设计与其他方法（如 PinSage、GC-MC 和 SVD++）的变体。发现：

  • NGCF 的嵌入传播方式（包含节点与其邻居的表示交互）比线性变换更有效。

  • 节点 dropout 比 消息 dropout 更有效，有助于提升模型鲁棒性。

  • 在聚合机制上，将各层输出拼接（layer-aggregation）能显著提升性能。

4.4.3. Dropout 对性能的影响

通过实验，作者发现 节点 dropout（p2=0.2） 能带来更好的性能提升，相比消息 dropout 更有效。

4.4.4. 模型收敛性分析

NGCF 相比 MF 收敛更快，表明其模型结构更优，嵌入传播机制有效提升了模型的表达能力。

4.5. 高阶连接性效果分析（RQ3）

作者通过可视化用户和物品的嵌入表示（使用 t-SNE 降维），观察不同层数对表示的影响。发现：

  • NGCF-3 的表示在嵌入空间中表现出明显的聚类，说明高阶连接性有助于捕捉协作信号。

  • 同一用户的历史物品在 NGCF-3 中更接近，表明模型能更好地保留用户历史行为信息。

总结

本章实验全面验证了 NGCF 在推荐系统中的优越性能。通过对比多个基线方法，作者展示了 NGCF 在建模高阶连接性和稀疏性用户上的显著优势。同时，通过研究嵌入传播层数、Dropout 技术和聚合机制，进一步揭示了 NGCF 的有效性和鲁棒性。这些实验结果验证了 NGCF 作为一种图神经网络推荐模型的潜力。

5. Conclusion and Future Work

核心贡献与方法总结

本研究首次将协同信号明确地整合进基于模型的协同过滤（CF）模型的嵌入函数中。为此，作者提出了一种新的框架 NGCF（Neural Graph Collaborative Filtering），该框架通过利用用户-商品整合图中的高阶连通性来实现目标。NGCF 的核心是一个新提出的嵌入传播层，该层允许用户和商品的嵌入相互作用，从而提取协同信号。

实验验证

作者在三个真实世界数据集上进行了大量实验，验证了将用户-商品图结构嵌入到嵌入学习过程中的合理性和有效性。

未来研究方向

（1）引入注意力机制

未来的工作将致力于通过引入注意力机制（Chen 等，2017）来进一步改进 NGCF。该机制将允许模型学习邻居节点在嵌入传播过程中的不同权重，以及不同阶连通性的变化权重。这一改进将有助于模型的泛化能力和可解释性。

（2）探索对抗学习

另外，作者还计划探索对抗学习（He 等，2018）在用户/商品嵌入和图结构中的应用，以增强 NGCF 的鲁棒性。

潜在研究方向

本研究是对基于消息传递机制的模型中利用结构知识的初步尝试，同时也为未来的研究打开了新的可能性。除了用户-商品图，还有许多其他形式的结构信息可用于理解用户行为，例如：

  • 跨特征（Yang 等，2019）在上下文感知和语义丰富的推荐系统中的应用；

  • 商品知识图谱（Wang 等，2019a）；

  • 社交网络（Wang 等，2017a）等。

例如，通过将商品知识图谱与用户-商品图结合，可以建立知识驱动的用户-商品连接性，从而揭示用户在选择商品时的决策过程。这些探索有望帮助模型更好地理解用户的在线行为，从而实现更有效且更可解释的推荐。

致谢

本研究是 NExT++ 研究计划的一部分，并得到了 千人计划（2018）的支持。NExT++ 还获得了新加坡国家研究基金会（Prime Minister’s Office）在 IRC@SG Funding Initiative 项目下的资助。