Que tarefas resolvem as GNN em sistemas de recomendação (PinSage, LightGCN)?

As redes neurais de grafos (GNN) em sistemas de recomendação, como PinSage e LightGCN, abordam a tarefa de modelar de forma eficiente as relações complexas entre usuários e objetos (por exemplo, produtos, conteúdo) na forma de um grafo.

As principais tarefas das GNN em recomendações:

• Consideração de ligações estruturais: As GNN consideram não apenas as interações diretas (por exemplo, usuário — produto), mas também as ligações indiretas através de vizinhos no grafo, o que melhora a qualidade das recomendações.

• Enriquecimento de representações: As GNN agregam informações de nós vizinhos, criando embeddings mais informativos de usuários e objetos.

• Processamento de dados dispersos: Métodos de grafo funcionam bem com interações dispersas, típicas em sistemas de recomendação.

• Melhoria na personalização: Através de uma análise profunda do grafo, as GNN ajudam a identificar preferências ocultas e padrões de comportamento.

Por exemplo, o PinSage usa GNN para gerar embeddings de produtos, considerando seus vizinhos no grafo de interações, permitindo recomendar pins relevantes no Pinterest. O LightGCN simplifica a arquitetura GNN, focando na agregação linear de vizinhos para aumentar a eficiência e a qualidade das recomendações.