推荐系统未来将如何发展，阿里时空的GNN能否超越LightGCN？

本文共计1741个文字，预计阅读时间需要7分钟。

您好，我是小白。不得不说，GNN自从问世以来，在多个领域遭遇了魔改，效果越来越好。想起前几天看到的一篇论文（STAM-GNN），将时序信息加入了GNN中，这在GNN-based推荐模型中并不多见。

大家好，我是对白。

不得不说，GNN自问世后，在众多领域遭遇魔改，所幸效果是越来越好。想起前几天看到的一篇论文（STAM-GNN）将时序信息加进了GNN中，这在GNN-based推荐模型中并不多见。检索后发现，目前时空GNN多用于交通预测领域。

纵然GNN-based模型效果已然不错，但与基于空间的聚合方法相比，STAM-GNN在推荐方面还是有了显著的改进，例如，针对MRR@20，STAM-GNN在MovieLens提升为24%，Amazon为8%，淘宝为13%。

鉴于文章简洁有意思，并且与GNN-based模型、序列化模型如LightGCN对比效果都有很大提升，特此向大家分享。

论文标题：STAM: A Spatiotemporal Aggregation Method for Graph Neural Network-based Recommendation

论文链接：doi.org/10.1145/3485447.3512041

一、STAM核心思想

---

本文由阿里和清华KEG实验室发表于WWW2022上。