本文作者为Chen Gao、Yu Zheng、Nian Li、Yinfeng Li、Yingrong Qin、Jinghua Piao、Yuhan Quan、Jianxin Chang、Depeng Jin、Yong Li（以上作者均来自清华大学北京信息科学与技术国家研究中心电子工程系），以及来自中国科学技术大学信息科学技术学院的Xiangnan He。文章发表于*ACM Transactions on Recommender Systems*，2023年2月，第1卷第1期，文章编号3。
这是一篇关于图神经网络（Graph Neural Networks, GNN）在推荐系统（Recommender Systems）中应用的综述性论文。文章系统回顾了推荐系统与图神经网络的发展背景，归纳了现有工作的分类体系，分析了应用GNN所面临的核心挑战，并详细介绍了不同推荐阶段、场景与目标下的代表性方法。全文旨在为研究者提供一个全面、系统且紧跟前沿的GNN推荐系统研究图景。
文章首先梳理了推荐系统的发展历史。推荐系统从浅层模型（如矩阵分解、因子分解机）发展到神经模型（如NCF、DeepFM），再到近年来以GNN为基础的新一代模型。传统方法在训练过程中只利用直接交互的一阶邻居信息，忽略了用户-物品交互图中蕴含的高阶结构信息。GNN通过嵌入传播（embedding propagation）和邻居聚合（neighborhood aggregation）机制，能够迭代地聚合多跳邻居信息，从而有效捕捉高阶连接性（high-order connectivity）。这一能力使GNN成为当前推荐系统领域最前沿的技术路线之一。
在背景部分，作者从四个视角对推荐系统进行分类：阶段（stage）、场景（scenario）、目标（objective）与应用（application）。阶段包括匹配（matching）、排序（ranking）和重排序（re-ranking）。匹配阶段从海量物品库中高效筛选出数百个候选物品；排序阶段对候选物品进行精细打分；重排序阶段则在相关性基础上进一步考虑多样性、公平性等附加标准。场景包括社交推荐、序列推荐、会话推荐、捆绑推荐、跨域推荐和多行为推荐等。目标包括准确性与多样性、可解释性、公平性等超越准确性的指标。应用则涵盖产品推荐、兴趣点推荐、新闻推荐、电影推荐等。
GNN部分介绍了图构建、网络设计和模型优化的一般流程。图构建涉及同构图、异构图和超图的定义。网络设计分为谱模型和空间模型两类。谱模型如GCN通过图傅里叶变换在谱域进行卷积，空间模型如GraphSAGE、GAT和HetGNN则直接在图上聚合邻居信息。超图神经网络HGNN则扩展了边可以连接多个节点的能力。模型优化部分介绍了链接预测和节点分类两种典型任务中的损失函数设计，如BPR损失和交叉熵损失。
文章指出，GNN应用于推荐系统存在三大动机：结构化数据、高阶连接性和监督信号。推荐系统中的用户-物品交互、用户画像、物品属性等数据天然具有图结构特征；GNN能够统一建模这些异构数据。高阶连接性则使模型能够捕捉协同过滤效应中的多跳相似性。此外，GNN还能利用半监督和自监督信号缓解目标行为稀疏问题。
在挑战部分，作者详细分析了四个关键问题。图构建方面，如何定义节点和边、如何处理连续数值特征、如何控制图密度都是难点。网络设计方面，传播路径选择、聚合函数设计、传播层数堆叠需要根据具体任务自适应调整。模型优化方面，损失函数与数据采样方式需要与图结构紧密结合，多任务学习的平衡也是难点。计算效率方面，GNN的矩阵运算和传播操作带来较高计算成本，需要通过采样、剪枝或简化模型结构来提升效率。
在方法综述部分，文章按阶段、场景和目标对代表性工作进行了系统分类与总结。在匹配阶段，GCMC、PinSage、NGCF、LightGCN、DGCF、SGL等方法在用户-物品二部图上设计专门GNN架构，以高效生成候选物品。其中LightGCN通过移除非线性变换和特征变换矩阵简化了模型，证明了在保持性能的同时可以显著降低训练复杂度。在排序阶段，FI-GNN、PUP、L0-SIGN、DG-ENN等方法将特征交互建模与GNN表示学习相结合，通过设计特定图结构或预测器来捕捉复杂特征关系。在重排序阶段，IRGPR利用异构图融合物品关系和用户初始排序分数，实现个性化重排序。
在场景方面，社交推荐方法如DiffNet、GraphRec、DiffNet++、MHCN等分别从图构建和信息传播两个角度捕捉社交影响。序列推荐方法如SURGE、MA-GNN、GES-SASRec等将用户行为序列转换为物品图或时序图，利用GNN学习短期和长期兴趣。会话推荐方法如SR-GNN、GC-SAN、DHCN、LESSR等针对匿名短会话数据建模物品转移模式，并通过跨会话信息增强图结构。
在目标方面，多行为推荐方法如MBGCN、KHGT、GHCF等利用多种行为类型的图结构提升目标行为预测。多样性方面，BGCF和DGCN分别从系统级和个体级多样性角度改进推荐。可解释性方面，RippleNet、KGAT、PGPR等利用知识图谱进行路径推理以提供解释。公平性方面，FairGo和FairGNN在GNN框架下对用户公平性进行建模和纠偏。
文章最后提出了若干开放性问题和未来方向。包括如何设计深层且有效的GNN模型以缓解过平滑问题，如何在高阶图结构中实现公平性约束，如何将GNN与自监督学习、自动化机器学习等技术进一步结合，以及如何在真实工业场景中实现大规模GNN推荐系统的高效部署等。
该综述的学术价值在于，它提供了一个比此前同类综述更全面、更及时的分类框架，不仅覆盖了协同过滤、序列推荐、社交推荐等常见场景，还系统讨论了推荐阶段、跨域推荐、超越准确性目标等较少被综述涉及的主题。应用价值在于，文章整理了代表性论文及其开源代码仓库，为研究者和工程师提供了实用的资源入口。总体而言，这篇文章为理解GNN在推荐系统中的应用现状、挑战与未来趋势提供了系统而深入的参考。