目录

参考近期必读的6篇【图神经网络的推荐（GNN+R）】相关论文和代码（WWW、SIGIR、WSDM）

参考CIKM 2019 EComm AI：用户行为预测 赛题解读与阿里GNN推荐结合实践分享

SIGIR ’19，

A Neural Influence Diffusion Model for Social Recommendation

社交推荐系统利用每个用户的局部邻居偏好(local neighbors’ preferences)来缓解数据稀疏性，从而更好地进行用户emb建模。对于每一个社交平台的用户，其潜在的嵌入是受他信任的用户影响的，而这些他信任的用户也被他们自己的社交联系所影响。随着社交影响在社交网络中递归传播和扩散（diffuse），每个用户的兴趣在递归过程中发生变化。然而，目前的社交推荐模型只是利用每个用户的局部邻居来构建静态模型，没有模拟全局社交网络中的递归扩散，导致推荐性能不理想。

本文提出了一个deep influence propagation model。对于每个用户，扩散过程（diffusion）用融合了相关特征和一个caputure了latent behavior preference的free的用户隐向量。本文的key idea是，设计了一个layer-wise的influence propagation结构，可以随着social diffusion process的进行，对用户emb进行演化。

WSDM ’19，

Session-based Social Recommendation via Dynamic Graph Attention Networks

代码：https://github.com/DeepGraphLearning/RecommenderSystems/tree/master/socialRec

Inductive Graph Pattern Learning for Recommender Systems Based on a Graph Neural Network

WWW’19，

Graph Neural Networks for Social Recommendation

WWW’19 Oral

Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems

SIGIR’19

Neural Graph Collaborative Filtering

参考https://www.jianshu.com/p/16c8973ef8ff

节后收心困难？这15篇论文，让你迅速找回学习状态

Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation

本文是北京邮电大学和阿里巴巴发表于 KDD 2019 的工作。针对手机淘宝的用户意图推荐，本文设计了基于异质图神经网络的意图推荐模型 MEIRec。

传统商品推荐为用户推荐商品，而意图推荐则关注于预测用户的意图。本文将意图推荐的业务场景建模为异质图（包含多种类型节点和关系的图），然后设计了 metapath-guided heterogeneous Graph Neural Network 来学习该业务场景下多种不同目标的表示。同时，本文也提出一种 term embedding mechanism 来降低大规模异质图场景下的参数量。最后，在淘宝真实场景下的 AB test 证明了 MEIRec 算法的优越性。

https://github.com/googlebaba/KDD2019-MEIRec