Что хотят услышать интервьюеры:

GNN в рекомендательных системах используют, когда важно учитывать не только прямые взаимодействия пользователя и объекта, но и структуру связей вокруг них. Такие модели помогают лучше находить похожие объекты, ловить неявные интересы и работать с разреженными данными. В PinSage и LightGCN граф используется как источник сигналов о соседстве и распространении предпочтений.

Определение:

GNN в рекомендациях — это подход, где пользователи и объекты представляются как граф, а модель обучается извлекать полезные признаки из структуры связей. Вместо ручной агрегации соседей GNN передаёт и смешивает информацию по рёбрам графа, чтобы получить более сильные эмбеддинги. Это особенно полезно для коллаборативной фильтрации: чем больше и качественнее связи, тем точнее рекомендации.

PinSage и LightGCN — два известных подхода на графах. PinSage ориентирован на масштабируемые рекомендации по огромным графам, использует семплирование соседей и графовую агрегацию. LightGCN упрощает GCN для рекомендаций, убирая лишние нелинейности и трансформации и оставляя только распространение эмбеддингов по графу.

Пример использования:

Например, в интернет-магазине есть граф «пользователь — товар» по просмотрам и покупкам. Обычная модель может рекомендовать товар, который купили похожие пользователи, но GNN дополнительно учтёт соседние товары, общих покупателей и локальную структуру интересов.

# Упрощённая схема идеи graph-based recommendation

# user-item interactions:
# U1 -> A, B
# U2 -> B, C
# U3 -> C, D

# Через граф модель увидит, что:
# - A и C могут быть связаны через пользователя U2/U1
# - B и D могут оказаться близкими через общих соседей
# - для U1 можно рекомендовать C или D как "соседей соседей"

# Итог:
# эмбеддинги пользователей и товаров улучшаются за счёт
# распространения информации по графу взаимодействий

Пояснение кода:

Код не требуется, потому что здесь важен принцип работы, а не реализация. В примере граф строится из фактов взаимодействия, затем модель распространяет сигнал от известных рёбер к соседним узлам. Это позволяет найти объекты, которые не связаны напрямую с пользователем, но близки по структуре графа.

Если разложить по шагам: сначала формируется bipartite-граф «пользователи — товары», затем для каждого узла собирается информация от соседей, после этого эмбеддинги обновляются и используются для ранжирования кандидатов. В PinSage обычно добавляется масштабируемое семплирование соседей, а в LightGCN — упрощённое многослойное распространение без тяжёлых преобразований признаков.

Ключевые моменты:

GNN в рекомендациях нужны для использования структуры графа взаимодействий, а не только матрицы user-item.
Они помогают лучше работать с разреженными данными и находить неявные связи между объектами.
PinSage решает задачу масштабируемых рекомендаций на больших графах.
LightGCN упрощает GCN и хорошо подходит для collaborative filtering.
Основная идея — распространение и смешивание эмбеддингов по соседям графа.
Практический эффект: лучшее качество top-N рекомендаций за счёт учёта локальной структуры интересов.

Какие задачи решают GNN в рекомендательных системах (PinSage, LightGCN)?