A Survey of Graph Neural Networks for Social Recommender Systems

要約

ソーシャル レコメンダー システム (SocialRS) は、ユーザーに対するアイテムの推奨を生成するタスクに、ユーザーとアイテムのインタラクションとユーザー間のソーシャル関係を同時に活用します。
さらに、社会的関係を利用することは、同性愛と社会的影響の影響により、ユーザーの好みを理解するのに明らかに効果的です。
このため、SocialRSはますます注目を集めています。
特に、グラフ ニューラル ネットワーク (GNN) の進歩に伴い、最近では GNN ベースの SocialRS 手法が数多く開発されています。
したがって、私たちは GNN ベースの SocialRS に関する文献の包括的かつ体系的なレビューを実施します。
この調査では、まず PRISMA フレームワーク (体系的レビューとメタ分析に推奨される報告項目) に従って 2,151 件の論文に注釈を付けた後、GNN ベースの SocialRS に関する 84 件の論文を特定します。
次に、それらを入力とアーキテクチャの観点から包括的にレビューして、新しい分類法を提案します。 (1) 入力分類法には、5 つの入力タイプの表記法と 7 つの入力表現の表記法が含まれます。
(2) アーキテクチャ分類には、GNN エンコーダ表記の 8 グループ、デコーダ表記の 2 グループ、および損失関数表記の 12 グループが含まれます。
GNN ベースの SocialRS メソッドを分類に従っていくつかのカテゴリに分類し、その詳細を説明します。
さらに、GNN ベースの SocialRS 手法を評価するために広く使用されているベンチマーク データセットとメトリクスを要約します。
最後に、今後の研究の方向性をいくつか示してこの調査を締めくくります。
厳選された論文リストを含む GitHub リポジトリは、https://github.com/claws-lab/awesome-GNN-social-recsys から入手できます。

要約(オリジナル)

Social recommender systems (SocialRS) simultaneously leverage the user-to-item interactions as well as the user-to-user social relations for the task of generating item recommendations to users. Additionally exploiting social relations is clearly effective in understanding users’ tastes due to the effects of homophily and social influence. For this reason, SocialRS has increasingly attracted attention. In particular, with the advance of graph neural networks (GNN), many GNN-based SocialRS methods have been developed recently. Therefore, we conduct a comprehensive and systematic review of the literature on GNN-based SocialRS. In this survey, we first identify 84 papers on GNN-based SocialRS after annotating 2151 papers by following the PRISMA framework (preferred reporting items for systematic reviews and meta-analyses). Then, we comprehensively review them in terms of their inputs and architectures to propose a novel taxonomy: (1) input taxonomy includes 5 groups of input type notations and 7 groups of input representation notations; (2) architecture taxonomy includes 8 groups of GNN encoder notations, 2 groups of decoder notations, and 12 groups of loss function notations. We classify the GNN-based SocialRS methods into several categories as per the taxonomy and describe their details. Furthermore, we summarize benchmark datasets and metrics widely used to evaluate the GNN-based SocialRS methods. Finally, we conclude this survey by presenting some future research directions. GitHub repository with the curated list of papers are available at https://github.com/claws-lab/awesome-GNN-social-recsys.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google