超越准确率：基于图神经网络的推荐系统中多样性、偶然性与公平性的综述

通过向用户提供个性化建议，推荐系统已成为众多在线平台不可或缺的一部分。协同过滤，尤其是使用图神经网络 (GNNs) 的基于图的方法，在推荐准确率方面已展现出优异结果。然而，准确率未必始终是评估推荐系统性能最重要的准则，因为多样性、偶然性与公平性之类的超越准确率维度会强烈影响用户参与度与满意度。本综述论文聚焦于在基于 GNN 的推荐系统中处理这些维度，超越传统的以准确率为中心的视角。我们首先回顾近期在不仅改善准确率-多样性权衡、且促进基于 GNN 的推荐系统中偶然性与公平性的方法进展。我们讨论模型开发的不同阶段，包括数据预处理、图构建、嵌入初始化、传播层、嵌入融合、分数计算与训练方法。此外，我们审视在保持高准确率的同时确保多样性、偶然性与公平性所遇到的实际困难。最后，我们讨论开发更鲁棒、超越仅聚焦准确率单维视角的基于 GNN 推荐系统的潜在未来研究方向。本综述旨在为研究者和从业者提供对设计基于 GNN 推荐系统时所出现多面问题的深入理解，其通过对超越准确率维度的全面探索而区别于既有工作。