图神网络在推荐系统中应用探索.pdfVIP

APP

29|图神经网络：是如何应用图神经网络的？

2020-12-21

深度学习推荐系统实战进入课程

讲述：



时长14:50大小13.60M

你好，我是

互联网中到处都是图结构的数据，比如我们熟悉的社交网络，流行的知识图谱等等，

这些数据中包含着大量的关系信息，这对推荐系统来说是非常有帮助的。

为了能更好地利用这些信息进行推荐，各大巨头可谓尝试了各种办法，比如我们之前学过

的DeepWalk、Node2Vec这些非常实用的GraphEmbedding方法。但是技术的发展永

，图神经网络），图神经网络）是最是最热

无止境，两年，GNN（GraphNerualNetwrok，图神经网络）是最

最流行的基于图结构数据的建模方法。严格一点来说，图神经网络指的就是可以直接处

图结构数据的神经网络模型。

在诸多GNN的解决方案中，著名的社交巨头对于GraphSAGE的实现和落

地又是最为成功的，在业界的也最大。所以，这节课我们就学一学GraphSAGE的

技术细节，看一看是如何利用图神经网络进行商品推荐的。

搭桥还是平推？技术途径上的

在正式开始GraphSAGE的讲解之前，先给你讲一讲DeepWalk、Node2vec这些

GraphEmbedding方法和GNN之间的关系，这有助于我们理解GNN的原理。

我们这里简单回顾一下DeepWalk和Node2vec算法的基本流程，如下面的图1所示。

它们在面对像图1b这样的图数据的时候，其实没有直接处理图结构的数据，而是走了一个

取巧的方式，先把图结构数据通过随机采样，转换成了序列数据，然后再用诸如

Word2vec这类序列数据Embedding的方法生成最终的GraphEmbedding。

图1基于随机的GraphEmbedding算法

我把这类GraphEmbedding的方法归类为基于随机的间接性GraphEmbedding方

法。它其实代表了我们在解决一类技术问题时的思路，就是面对一个复杂问题时，我们不

直接解决它，而是“搭一座桥”，通过这座桥把这个复杂问题转换成一个简单问题，因为

对于简单问题，我们有非常丰富的处理。这样一来，这个复杂问题也就能简单地解决

了。显然，基于随机的GraphEmbedding方法就是这样一种“搭桥”的解决方案。

但搭桥的过程中难免会损失一些有用的信息，比如用随机对图数据进行抽样的时候，

虽然我们得到的序列数据中还包含了图结构的信息，但却破坏了这些信息原始的结构。

正因为这样，很多研究者、工程师不满足于这样搭桥的方式，而是希望造一台“推土

机”，把这个问题平推过去，直接解决它。GNN就是这样一种平推解决图结构数据问题的

方法，它直接输入图结构的数据，产生节点的Embedding或者推荐结果。当然，不同研

究者打造这台推土机的方式各不相同，我们今天要重点介绍的GraphSAGE，就是其中最著

名的一台，也最具参考价值。

GraphSAGE的主要步骤

下面，我们就来详细讲一讲GraphSAGE的细节。GraphSAGE的全称叫做Graph

SampleandAggree，翻译过来叫“图采样和方法”。其实这个名称就很好地解

释了它运行的过程，就是先“采样”、再“”。

这时候问题又来了，这里的“采样”还是随机的采样吗？要是还通过采样才能得到样

本，我们