用于可扩展推荐的线性时间图神经网络

在信息爆炸的时代，推荐系统是为用户提供个性化推荐的重要工具。推荐系统的关键在于基于先前的用户 - 物品交互来预测用户的未来行为。由于图神经网络（GNN）在捕捉用户 - 物品交互数据中的高阶连通性方面具有强大的表达能力，近年来利用 GNN 提升推荐系统预测性能的兴趣日益增长。尽管如此，经典的矩阵分解（MF）和深度神经网络（DNN）方法因其可扩展性优势，仍在现实世界的大规模推荐系统中发挥着重要作用。尽管存在 GNN 加速解决方案，但基于 GNN 的推荐系统是否能像经典 MF 和 DNN 方法一样高效扩展，仍然是一个未决问题。在本文中，我们提出了一种线性时间图神经网络（LTGNN），旨在将基于 GNN 的推荐系统扩展至与经典 MF 方法相当的可扩展性水平，同时保持 GNN 强大的表达能力以实现更优的预测精度。我们进行了广泛的实验和消融研究，以验证所提算法的有效性和可扩展性。基于 PyTorch 的实现代码已公开。