本文共 1395 字，大约阅读时间需要 4 分钟。
近年来，随着大数据技术的快速发展，推荐系统作为一种重要的数据挖掘方法，逐渐成为各行业的重要应用之一。在社交推荐和商品推荐领域，传统的单一图嵌入方法已难以满足复杂多样的场景需求。如何在多模态、多类型的图结构中有效学习节点嵌入，成为当前推荐系统研究的重要挑战。
本文将深入分析两种最新的图嵌入方法：GATNE（General Attributed Multiplex Heterogeneous Network Embedding）和GraphRec（Graph Neural Networks for Social Recommendation），探讨它们在不同推荐场景中的应用优势。
GATNE提出了一种通用的嵌入学习框架，能够同时支持转导式学习和归纳式学习。其核心思想是通过将节点的嵌入表示分解为基嵌入和边嵌入两部分，实现对多类型边的有效建模。
具体而言，GATNE通过分层嵌入机制，能够在同一节点上保持一致的基嵌入，同时针对不同边类型进行边嵌入的聚合。这种设计使得模型能够在处理多模态异构图时，充分捕捉节点间复杂关系的信息。其创新点主要体现在以下几个方面：
实验结果表明，GATNE在四大代表性数据集（Amazon、YouTube、Twitter、Alibaba）上均取得了显著的性能提升，尤其在处理长尾和冷启动场景时表现尤为突出。
GraphRec是一种基于图神经网络的社交推荐系统，旨在同时建模用户-商品图和社交图。其独特之处在于，模型通过两阶段嵌入学习，分别从用户-商品图和社交图中提取用户嵌入和商品嵌入。
具体实现如下：
用户嵌入学习：
商品嵌入学习：
模型的训练目标是最大化对缺失评分的预测，通过结合用户嵌入、商品嵌入和观点嵌入，实现准确的推荐预测。实验结果显示，GraphRec在Ciao和Epinions等数据集上均优于现有的推荐方法。
GATNE和GraphRec虽然目标相似，但应用场景和方法论有显著差异：
应用场景：
方法论：
两种方法都为推荐系统的研究提供了新的思路，同时也为后续研究指引了新的方向。未来，如何在更大规模的异构图中实现高效嵌入学习，如何在实际应用中平衡模型复杂度与性能，将是推荐系统研究的重要课题。
转载地址：http://dvoj.baihongyu.com/