拓扑视角下图神经网络在推荐系统中的影响
信息检索
2025-12-09 v1
摘要
在推荐系统中，用户-物品交互可以建模为二部图，其中用户节点和物品节点通过无向边连接。这种基于图的视角推动了图神经网络（GNN）的快速采用，GNN 通常优于协同过滤（CF）方法，如潜在因子模型、深度神经网络和生成策略。然而，尽管取得了经验上的成功，GNN 相较于其他 CF 方法提供系统性优势的原因仍仅部分被理解。本专著从拓扑中心视角推进了基于 GNN 的推荐研究。我们认为，对这些模型性能的全面理解应考虑用户-物品图的结构特性及其与 GNN 架构设计的交互。为支持这一观点，我们引入了一个形式化分类法，归纳了十一个代表性基于 GNN 的推荐方法中的共同建模模式，并将它们整合为统一的概念流程。我们进一步形式化了推荐数据集的十三种经典和拓扑特征，并通过图机器学习的视角重新解读它们。利用这些定义，我们分析了所考虑的基于 GNN 的推荐架构，以评估它们在多大程度上编码了这些特性。基于此分析，我们推导出一个解释框架，将可测量的数据集特性与模型行为和性能联系起来。综合来看，本专著通过其拓扑基础重新框定了基于 GNN 的推荐，并为下一代拓扑感知推荐系统概述了开放性的理论、数据中心和评估挑战。
引用
@article{arxiv.2512.07384,
title = {On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective},
author = {Daniele Malitesta and Claudio Pomo and Vito Walter Anelli and Alberto Carlo Maria Mancino and Alejandro Bellogín and Tommaso Di Noia},
journal= {arXiv preprint arXiv:2512.07384},
year = {2025}
}