社交网络被用于增强用户的表示，而知识图谱则通过标签等方式增强物品的表示学习。引入知识图谱有两个好处：一是知识图谱中项目之间丰富的语义关系有助于探索物品之间的联系并强化物品表示的学习；二是知识图谱将用户的历史物品和推荐的物品连接起来（通过标签），可以增强推荐过程中的可解释性。但是，知识图谱由于存在多种实体和多种关系也使得其建模存在很大困难。

• 图结构：怎么将用户-物品交互图中的协同信号和知识图谱中的语义信息相结合？是将用户节点显式地加入到知识图谱中还是隐式地用用户节点来区分知识图谱中不同关系地重要度？

  • 将用户节点加入到知识图谱中：
    • [134]MKGAT/2020和[162]CKAN/2020将用户-物品二部图和知识图谱结合为一个统一的图。
  • 另一个方向是隐式使用用户节点来区分不同关系的重要性。例如，[147]KGCN和[145]KGNN-LS将用户节点作为查询，为不同的关系分配权重。在图形构建方面，这一研究方向强调用户对关系的偏好，而不是用户项目交互中的协作信号。

• 关系感知的聚合：知识图谱中边的类型较多，如何设计一个关系感知的聚合方程来对实体的邻居进行聚合是一个主要方向。

  

其他（如POI位置兴趣推荐、多媒体推荐等）

1. 兴趣位置（POI）推荐，这方向中存在几种类型的图结构，如用户-POI二部图、POI序列图[10, 92]
   • [88]SGRec/2021使用其它序列的相关POI丰富了打卡序列，从而允许协同信号在序列间传播。
   • [10]/2020认为两个频繁出现的物品对序列不仅反应了用户的兴趣，更反应了两个位置点之间的地理距离信息，根据地理距离的远近来构建具有不同权重边的图结构。
2. 组推荐。组推荐的任务是相一组用户而非每个用户进行推荐。组别可以看作是连接用户和物品的桥梁，可以将组构建为图中的一个节点
   • [59]GAME/2020引入了“组节点”，并使用GAT来更新节点表示，但这种方式不适用于组别动态变化的情况。
   • [153]GLS-GRL/2020使用归纳方法学习组别的表示，其对每个组别都构建一个图，通过聚合组内用户的表示来学习组的表示，这样的方法可以解决新组的表示问题。
3. 捆绑推荐。捆绑推荐的任务不是给用户推荐某一个物品，而是推荐一组物品集合。与组推荐相对，这里的‘组’由物品构成。同样的，捆绑推荐的关键问题也是获取捆绑包的表示。
   • [11]BGCN/2020将用户-物品、用户-捆绑包、捆绑包-物品三种关系整合到同一张图中并设计了从用户角度出发的物品层面和捆绑包层面两种信息传递机制。
   • [87]HFGN/2020将捆绑包看作是连接物品和用户的桥梁。
4. 点击率预估。
   1. [90]Fi-GNN/2019使用GNN来捕获特征之间的高阶交互信息，其中不同特征构成节点并与其它节点通过边相连接。其缺点是只对单个样本中特征的高阶关系进行建模（隐式的），忽略了用户-物品交互的信息。
   2. [46]DG-ENN/2021早构建特征图的同时还有用户-物品二部图，随后使用GNN对两种图分别进行建模。同时为了解决用户-物品图中的稀疏性问题，DG-ENN还使用用户聚类方法方法丰富了用户-物品二部图。
5. 多媒体推荐。
   1. [165]MMGCN/2019为每种类型的内容构建对应的用户-物品二部图。而最终的用户/物品表示则由这些图的结果进行平均求和。
   2. [164]GRCN/2020利用多模态内容来细化用户-物品交互的连接性。对于每个传播层，GRCN以用户-物品不同形态相似性的最大值作为用户-物品交互边的权值，并利用相应的权值对邻居进行聚合。
   3. [134]MKGAT/2020将用户节点和多模态知识图谱结合为一个图并使用关系感知的GNN方法学习节点表示。