基于元路径的异构图神经网络在推荐系统中的应用研究综述.docVIP

基于元路径的异构图神经网络在推荐系统中的应用研究综述

一、异构图推荐场景的元路径建模逻辑

推荐系统的核心挑战在于挖掘用户与物品之间的潜在关联，而传统同构图模型只能处理单一类型的节点和边，无法适配电商、社交、内容平台等真实场景中多元实体的复杂交互关系。异构图（HeterogeneousGraph）通过定义多类型节点（如用户、商品、商家、标签）和多类型边（如点击、购买、收藏、评分），能够完整还原推荐场景中的实体关联网络，而元路径作为异构图分析的核心工具，为跨类型实体的语义关联挖掘提供了可解释的路径范式。

元路径的本质是异构图中连接不同类型节点的序列模式，例如电商场景中的用户-购买-商品-属于-品类-包含-商品（U-I-C-I）路径，既可以刻画用户对特定品类的偏好，也能挖掘同品类商品的关联关系；社交推荐场景中的用户-关注-用户-购买-商品（U-U-I）路径，则可以融合社交信任关系提升推荐精准度。与同构图的随机游走策略不同，元路径的设计需要结合具体推荐场景的业务语义，早期研究中多依赖人工定义元路径集合，典型如2019年提出的HAN模型首次将层次注意力机制与元路径结合，通过节点级和语义级双层注意力权重，自动学习不同元路径对用户偏好表征的贡献度，解决了人工定义元路径权重分配不合理的问题。

近年来元路径建模逐渐向自动化方向演进，传统人工设计元路径的方式存在场景适配性差、高维异构图路径组合爆炸等