Recommender Systems Enhanced by Graph Neural Networks

Abstract

Graph neural networks, with their ability to capture relations well, are a modern and attractive field of research. The thesis analyses existing recommendation systems that exploit graph neural networks, namely SR-GNN and TGN, to capture complex patterns in user behaviour. Because the long-term user's action history is often unavailable, the work focuses on models that base their recommendations on the current session. The work compares the models against competitive k-nearest-neighbour baselines and outlines the strengths and weaknesses of both approaches. Part of the work is a review of the theoretical background of the analysed models and the related concepts from both the recommendation systems and graph neural networks fields.

Grafové neuronové sítě jsou pro svou schopnost porozumět vztahům atraktivní oblastí výzkumu. Tato práce analyzuje existující doporučovací systémy, které grafové neuronové sítě využívají, aby zachytily složité vzorce chování uživatelů. Jelikož dlouhodobá historie akcí uživatelů často nemusí být dostupná, zaměřuje se práce na modely, které zakládají svá doporučení na aktuální relaci, konkrétně na modely SR-GNN a TGN. Práce porovnává modely s referenčními modely založenými na principu k nejbližších sousedů a popisuje výhody a slabší oblasti obou přístupů. Součástí práce je přehled teorie, na které jsou analyzované modely vystaveny, a to jak z oblasti doporučovacích systémů, tak z oblasti grafových neuronových sítí.