La Raccomandazione · Il piatto giusto per te
GNN nei sistemi di raccomandazione: una survey — Wu et al. 2022 (ACM Computing Surveys)
Ogni volta che una piattaforma di streaming propone esattamente il film che stavi per cercare, o un sito di e-commerce mostra il prodotto che ti serviva, c'è un'architettura che lavora nell'ombra: una rete neurale che percorre miliardi di connessioni tra utenti e oggetti, propagando informazioni da nodo a nodo come un'onda attraverso un reticolo. Questo survey — scritto da ricercatori della Peking University e di Alibaba — è la mappa definitiva di quella architettura: descrive più di cento modelli, li classifica in cinque grandi famiglie e dimostra che il sistema più grande del mondo (Pinterest) funziona su un grafo con tre miliardi di nodi e diciotto miliardi di connessioni.
Leggendo il paper si capisce perché la struttura a grafo è la lingua naturale della raccomandazione: ogni acquisto, ogni amicizia, ogni relazione semantica tra prodotti diventa un arco in una rete che le GNN percorrono sistematicamente.
Cosa dice, in breve
- Le reti neurali su grafi (GNN) sono state adottate massicciamente nei sistemi di raccomandazione perché la maggior parte dei dati di tali sistemi — interazioni utente-oggetto, sequenze di comportamento, reti sociali, knowledge graph — ha struttura intrinsecamente grafica, e le GNN possono propagare esplicitamente i segnali collaborativi attraverso vicini a più hop in un unico framework unificato.
- Il survey propone una tassonomia a cinque categorie che classifica i modelli di raccomandazione basati su GNN in base al tipo di informazione utilizzata e al compito raccomandativo: (1) collaborative filtering utente-oggetto, (2) raccomandazione sequenziale, (3) raccomandazione sociale, (4) raccomandazione basata su knowledge graph, (5) altri compiti (POI, gruppo, bundle, CTR, multimedia).
- Per ciascuna categoria vengono analizzate le principali dimensioni progettuali: costruzione del grafo, aggregazione dei vicini (pesi uguali / normalizzazione per grado / attenzione / interazione), aggiornamento dell'informazione, pooling della rappresentazione finale.
- I deployment industriali documentati includono PinSage di Pinterest (3 miliardi di nodi, 18 miliardi di archi, miglioramenti misurati in A/B test), IntentGC di Alibaba, DANSER di WeChat, GraphSAIL in un App Store di primo piano.
- Vengono catalogati dieci dataset benchmark standard e cinque famiglie di metriche di valutazione (HR, Precisione/Recall/F1, NDCG, MAP, AUC) con le rispettive definizioni formali.
- Il paper identifica nove direzioni di ricerca aperte: rappresentazione utente diversificata/incerta, scalabilità, grafi dinamici, campi di ricezione adattativi, apprendimento auto-supervisionato, robustezza avversariale, preservazione della privacy (GNN federato/privacy differenziale), equità ed esplicabilità.
Provenienza
- Fonte
- Graph Neural Networks in Recommender Systems: A Survey— Wu 2022
- Licenza
- ACM rights reserved / arXiv:2011.02260 (preprint, no CC licence declared)
- Nel Kosmos
- 10 voci · 330 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.