@曾经火热的Graph Embedding和GNN在推荐系统上还有前途吗？

链接： 曾经火热的Graph Embedding和GNN在推荐系统上还有前途吗？ - 知乎

[[GNN的收益来源是什么？]] :-> 信息利用能力的增强

[[GNN对拓扑结构的利用，对于推荐系统的收益够不够大？]]

有的朋友可能会说，我们把用户和物品之间的行为也加入图中，不久可以把知识、行为和图结构一起编码了吗？#card

• 看起来会让生成的Graph Embedding包含更充分的信息，推荐效果肯定会有提高。

• 这个分析是有道理的，早期Pinterest也通过这一方式获得了收益，但这种超大规模的图训练也存在一些致命的问题。[[GNN在实际应用中的一些致命问题]]

[[GNN的未来在哪里？]]

关于技术更迭的思考

• GNN曾经在学术界是非常火热的研究方向，但实话实说，在工业界却鲜有成功应用。这是业界和学界对于“价值”判断的不同导致的。#card

  • 站在工程师的角度，我们要有火眼金睛，敏锐的分清哪些是看上去很美的方案，哪些是一针见血的方案，它们之间是有本质不同的。

  • 最重要的判断依据还是对于收益来源的精准分析。这里面有理性的成分，也有技术直觉的成分。玄学一点来说，这种直觉才是算法工程师应该建立的护城河。

  • 就像“击败雅虎的不会是另一个门户网站，击败google的也不会是另一个搜索引擎”一样，淘汰一个技术的也不会是它的下一版，而是另一个维度的新方案。

  • 大模型毫无疑问在知识的广度和利用能力上，大大超出基于知识图谱的GNN，也就当之无愧的成为推荐系统新的更强大的信息输入源。