想象一下：你打开朋友圈，看到好友们点赞、转发、晒单。你对某个东西心动了，往往不是因为广告，而是因为“好几个人都在聊它”。推荐系统也一样——它也想通过“你关注的人在关注什么”来猜你喜欢什么。图神经网络推荐（GNN 推荐）恰恰就是把这套人际传播逻辑搬进算法里：把每个用户、每件物品都画成图上的一个点，把浏览、购买、收藏这类行为当成连接线。消息沿着这些线流动，系统便能在“人与物的关系网”中读出你潜在的喜好。本文要讲的 PinSage 和 LightGCN，一个像广交朋友的“情报员”，讲究采样与聚合；一个像删繁就简的“极简主义者”，把消息传递做到极致。它们共同揭示了一个道理：推荐不止是“你和物品像不像”，更是“你在关系网里被谁影响着”。

岗位关联

掌握图神经网络推荐，你就能在稀疏交互与冷启动场景中构建更强的召回与排序模型，这是从“调参工程师”迈向“推荐架构师”的关键一跃。

目录
  1. 可视化演示
  2. 图推荐基础：给朋友圈画一张关系图
  3. PinSage采样：不跟全朋友圈聊，只问靠谱的几个
  4. PinSage聚合：把朋友建议汇总成自己的判断
  5. LightGCN轻量：极简主义的信息传播
  6. 冷启动优势：新朋友也能被快速了解
  7. 实际应用：让图在推荐系统里跑起来
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示GNN推荐两大模型及优势：PinSage随机游走采样（从目标节点出发随机游走采样局部邻域基于访问频率计算重要性权重高效大图采样）、LightGCN轻量化图卷积（移除权重矩阵和非线性仅保留邻域聚合h=Σ1/√|N|·h_n多层传播各层加权和极致轻量）、冷启动与稀疏数据优势（传统CF冷启动仅2连接GNN通过图传播获得多跳邻居5+连接cold user acc 0.2→0.7）,三模式切换理解GNN推荐全貌。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+C1+'

图推荐基础：给朋友圈画一张关系图

朋友圈里每个人都有自己的消息圈。你关注谁、给谁点赞、和谁互动，这些关系叠在一起，就织成了一张巨大的关系网。如果让你猜“我可能会喜欢什么”，你多半不会瞎猜，而是先想想我的朋友们喜欢什么。图神经网络推荐的出发点就藏在这份日常直觉里：把用户和物品的互动关系画成一张图，再让消息沿关系流动，推荐就成了“看图说话”。

用户只会与物品产生交互，因此这张图有天然的二分结构——一侧是用户节点，一侧是物品节点，连线只出现在两侧之间，这叫“二部图”。比如你买过某本书，你和这本书之间就有了一条边。图推荐系统的第一课，就是把交互记录整理成这样的图，并用邻接矩阵存起来，矩阵里数字 1 代表有关系、0 代表没缘分。

在图上，每个用户和物品都被赋予一个低维向量，叫“节点表示”或“嵌入”。初始向量可以随机，随后通过“消息传递”迭代更新：每一轮，节点收集邻居的表示，聚合成一个新信号，再结合自身信息完成更新。这类方法的原型是图卷积网络（GCN）。

消息传递就是“刷朋友圈”式的学习：你每隔一阵子看看大家在聊什么，然后悄悄调整自己的看法。经过几轮迭代，每个节点的表示里都融入了邻居的智慧。

hu(k+1)=σ(W(k)∑v∈N(u)hv(k)∣N(u)∣∣N(v)∣)\displaystyle h_u^{(k+1)} = \sigma\left(W^{(k)} \sum_{v \in \mathcal{N}(u)} \frac{h_v^{(k)}}{\sqrt{|\mathcal{N}(u)||\mathcal{N}(v)|}}\right)
这个公式描述了一轮“刷朋友圈”：把邻居的表示经过归一化后聚到一起，再做一次线性变换和非线性激活，得到自己的新表示。
  1. 邻居集合$\mathcal{N}(u)$ 表示与节点 u 直接相连的节点集合，这是消息的来源方。
    N(u)={v∣Auv=1}\mathcal{N}(u) = \{v \mid A_{uv} = 1\}
  2. 归一化系数除以两端度数平方根，防止“朋友很多”的节点把信息量撑得过大。
    1∣N(u)∣⋅∣N(v)∣\frac{1}{\sqrt{|\mathcal{N}(u)| \cdot |\mathcal{N}(v)|}}
  3. 加权求和把所有邻居的表示向量叠加成一个聚合信号。
    ∑v∈N(u)hv(k)\sum_{v \in \mathcal{N}(u)} h_v^{(k)}
  4. 变换与激活用矩阵 $W^{(k)}$ 做线性变换，再用 $\sigma$ 引入非线性，让表示更丰富。
    σ(W(k)⋅(⋅))\sigma\left(W^{(k)} \cdot (\cdot)\right)

PinSage采样：不跟全朋友圈聊，只问靠谱的几个

消息传递听起来很美好，但现实中的朋友圈动辄几亿用户。如果每轮都拉着所有邻居聊天，谁也扛不住。PinSage 的策略是“抽样调查”——不跟全朋友圈聊，只挑几个有代表性的朋友问。

PinSage 从目标节点出发做“随机游走”：随机走向一个邻居，再从那个邻居随机走向它的邻居，走出固定步数。路径上出现的节点，就是“有过一面之缘”的候选邻居。这些候选邻居会按出现次数统计重要性，出现越多的节点越能代表目标节点的社交圈。

有了候选集后，PinSage 固定取排名靠前的 T 个节点作为最终邻居集合，规模可控、计算量稳定。这个“采样—统计—选取”的流程，让图神经网络第一次可以在十亿级节点的工业图上落地。

只用几个常联系的好友打听消息，而不是翻遍整本通讯录——PinSage 用少量抽样代替全网遍历，换来的是工程上的可行性。这套采样策略是它能在工业场景大规模部署的关键。

p(vt+1=v∣vt=u)=Auvdu\displaystyle p(v_{t+1}=v \mid v_t=u) = \frac{A_{uv}}{d_u}
随机游走每一步都以正比于连边数的概率选择下一个节点：关系强的邻居更容易被走到，因此也更可能进入邻居集合。
  1. 游走起点t 时刻站在节点 u 上，下一步要从它的邻居里挑一个继续走。
    vt=uv_t = u
  2. 邻接标记$A_{uv}=1$ 表示 u 和 v 之间有交互边，否则为 0，限定只能走“有交情”的点。
    Auv∈{0,1}A_{uv} \in \{0, 1\}
  3. 概率归一除以节点度数 $d_u$，保证所有邻居转移概率之和为 1。
    du=∑vAuvd_u = \sum_{v} A_{uv}

PinSage聚合：把朋友建议汇总成自己的判断

值得信赖的朋友问完了，接下来要把意见汇总成行动。PinSage 设计了聚合器：把采样得到的邻居表示整合成一个向量，就像把朋友们的建议浓缩成一句总结。

聚合器可以是取平均、取最大，也可以用更复杂的池化。得到邻居汇总向量后，PinSage 把“原来的自己”和“邻居总结”拼接起来，再经过一次线性变换和非线性激活，得到本层的新表示。这个“聚合 + 拼接 + 变换”的流程可以重复多层：第 1 层看到直接交互的邻居，第 2 层看到邻居的邻居，层数越多，感受野越大。

就像你先把朋友的总结和自己原本的偏好合并，形成一个更完整的判断；下一轮，你带着这个更成熟的判断再去问一圈朋友，周而复始，信息不断深化。

hu(k)=σ(W(k)⋅CONCAT(hu(k−1), AGG({hv(k−1):v∈N(u)})))\displaystyle h_u^{(k)} = \sigma\left(W^{(k)} \cdot \text{CONCAT}\left(h_u^{(k-1)},\ \text{AGG}\left(\{h_v^{(k-1)}: v \in \mathcal{N}(u)\}\right)\right)\right)
公式的骨架是：聚合邻居 → 拼接自己 → 线性变换 → 激活。它强调“自己”和“邻居”两个信息源缺一不可。
  1. 邻居收集取出上一层所有邻居的表示，作为待聚合对象。
    {hv(k−1):v∈N(u)}\{h_v^{(k-1)} : v \in \mathcal{N}(u)\}
  2. 聚合算子$\text{AGG}$ 把一堆邻居表示压缩成一个向量，例如取平均。
    AGG(hv1,hv2,… )\mathrm{AGG}(h_{v_1}, h_{v_2}, \dots)
  3. 拼接自身把当前节点的旧表示与邻居总结拼接到一起，保留“自我”。
    [hu(k−1) ∥ hN(u)][h_u^{(k-1)} \ \Vert \ h_{\mathcal{N}(u)}]
  4. 线性与激活拼接向量经过 $W^{(k)}$ 变换和 $\sigma$ 激活，得到新表示。
    σ(W(k)⋅[⋅])\sigma\left(W^{(k)} \cdot [\cdot]\right)

LightGCN轻量：极简主义的信息传播

图神经网络一定要搞得这么复杂吗？LightGCN 回答：不一定。它像极简主义者整理房间——搬走多余的家具，只留下最核心的动线。

LightGCN 发现，PinSage/GCN 里的特征变换矩阵和非线性激活，在协同过滤场景下收益甚微，却让优化变难、训练变慢。于是它把它们全部移除，每个传播层只做一件事：把邻居的表示按对称归一化系数加权求和。没有额外参数，训练极快，还能避免过拟合。

LightGCN 会堆叠多层传播，然后把各层输出做加权平均，作为最终嵌入。层间只传递消息，不加工消息；最终表示融合了不同跳数的信息，单层信息不足、多层过平滑的问题都得到缓解。

LightGCN 的家具虽然少，但每条从邻居到自己的通道都畅通无阻。它证明了一个道理：在评分为主的协同过滤里，“把消息传到位”比“把消息加工出花”更重要。

eu(k+1)=∑v∈N(u)ev(k)∣N(u)∣∣N(v)∣\displaystyle e_u^{(k+1)} = \sum_{v \in \mathcal{N}(u)} \frac{e_v^{(k)}}{\sqrt{|\mathcal{N}(u)|}\sqrt{|\mathcal{N}(v)|}}
这个公式是 LightGCN 的全部“招式”：没有参数、没有激活函数，只有邻居表示的归一化求和。
  1. 邻居表示$e_v^{(k)}$ 是邻居节点 v 在第 k 层的嵌入向量。
    ev(k)∈Rde_v^{(k)} \in \mathbb{R}^{d}
  2. 对称归一化除以两端度数平方根，让不同热度的节点传播量级可控。
    1∣N(u)∣∣N(v)∣\frac{1}{\sqrt{|\mathcal{N}(u)|}\sqrt{|\mathcal{N}(v)|}}
  3. 求和传播把所有邻居信息相加，得到 u 下一层的表示。
    eu(k+1)=∑v∈N(u)(⋯ )e_u^{(k+1)} = \sum_{v \in \mathcal{N}(u)} (\cdots)

冷启动优势：新朋友也能被快速了解

新朋友刚进朋友圈，一条动态都没发过，怎么推荐？图推荐的优势来了：虽然他本人没发言，但他的朋友、朋友的朋友可以提供线索。这就是“多跳”信息的价值。

传统协同过滤只能利用直接交互，新物品因交互稀少而很难被推荐。图神经网络天然支持多跳传播，只需 2-3 层传播，一个新物品的表示就能获得关联用户和相近物品的信息，冷启动的“冷”被大大缓解。同时，图结构携带全局信息，能降低热门物品的“虹吸效应”——低频物品也能通过邻居关系获得曝光机会。

当然，图推荐也不能完全解决冷启动，仍需结合物品内容特征与元数据。但它把冷启动从“无解”变成了“可解”：只要物品在图上有一席之地，它就能被描述、被比较、被推荐。

就像给新朋友安排几场饭局，几轮下来大家就熟了。图推荐让新物品迅速获得“社交背书”，从而被系统快速识别和分发。

Ru(k)={v∣dist(u,v)≤k}\displaystyle R_u(k) = \{v \mid \mathrm{dist}(u, v) \le k\}
感受野公式刻画了 k 层传播能触及的节点范围：k 越大，可用的邻居信息越丰富。
  1. 感受野定义$R_u(k)$ 表示从节点 u 出发 k 跳内能到达的所有节点集合。
    Ru(k)={v∣dist(u,v)≤k}R_u(k) = \{v \mid \mathrm{dist}(u,v) \le k\}
  2. 距离约束$\mathrm{dist}(u,v)$ 是图中最短路径的边数，决定信息传递半径。
    dist(u,v)=min⁡{边的条数}\mathrm{dist}(u,v) = \min\{\text{边的条数}\}
  3. 冷启动意义k 对应传播层数，层数越大，信息源越多，新物品越容易被“看见”。
    k=传播层数k = \text{传播层数}

实际应用：让图在推荐系统里跑起来

图神经网络推荐早已不是纸上谈兵。Pinterest 用 PinSage 做图片推荐，淘宝、抖音等场景也纷纷把用户-物品交互图引入召回与排序。它的典型角色是召回模型：离线训练好嵌入，线上实时取用户嵌入，与候选物品做内积打分。

在工业落地中，BPR 损失是训练这些嵌入的常用目标。它从观测数据里构造“正例物品-负例物品”对，让用户的表示和正例更近、和负例更远。配合批量采样和负采样策略，训练过程稳定高效。

一个典型的混合架构是：向量召回用 LightGCN 生成的嵌入，粗排用 FM/DeepFM，精排用更复杂的排序模型。图推荐负责提供高质量的候选集合，而不是单打独斗。评估时通常关注召回率、点击率、曝光多样性等指标。

你产品的“朋友圈”里也藏着大量未被挖掘的关系。把图模型作为一路召回接入现有系统，往往能带来肉眼可见的效果提升，尤其在数据稀疏的早期阶段。

LBPR=∑(u,i,j)∈D−ln⁡σ(y^ui−y^uj)\displaystyle \mathcal{L}_{\mathrm{BPR}} = \sum_{(u,i,j) \in \mathcal{D}} -\ln \sigma\left(\hat{y}_{ui} - \hat{y}_{uj}\right)
BPR 损失的核心思想是“排序正确”：见过的东西得分要比没见过的更高，差距越大越好。
  1. 三元组$(u,i,j)$ 表示用户 u、正例物品 i（有交互）和负例物品 j（无交互）。
    (u,i,j)∈D(u, i, j) \in \mathcal{D}
  2. 分数差$\hat{y}_{ui} - \hat{y}_{uj}$ 度量两个物品的得分差异。
    y^ui−y^uj\hat{y}_{ui} - \hat{y}_{uj}
  3. 逻辑变换$\sigma$ 将分数差映射到 (0,1)，表示“正例排在负例前”的概率。
    σ(y^ui−y^uj)\sigma(\hat{y}_{ui} - \hat{y}_{uj})
  4. 负对数$-\ln$ 让差距越大损失越小，引导模型不断拉大正负例间距。
    −ln⁡(⋅)-\ln(\cdot)

AI 应用场景

电商平台商品召回

阶段：召回阶段

解决的问题：传统协同过滤只能利用用户与物品的直接交互，间接关系（如“和你买了同类商品的人还买了什么”）难以建模。用户行为稀疏时，召回覆盖率明显不足。图模型通过二部图传播，让关联用户和相似商品之间的信息自然流转。

具体案例：Pinterest 将“用户-图片拼板”交互建模成图，离线训练 PinSage 为每张图片学习嵌入；线上用最近邻检索快速召回候选图片，使推荐覆盖率和点击率都获得显著提升。

短视频内容流分发

阶段：召回与粗排

解决的问题：用户与视频的交互极度稀疏，新视频上线后缺乏曝光。LightGCN 的多层传播让视频获得“邻居背书”，冷启动阶段就能得到相对稳定的预估分。

具体案例：某短视频 App 将“用户观看-视频”边建图，用 LightGCN 生成嵌入后接入向量召回通道，新视频上线 2 小时内即有可用预估分，冷启动期完播率提升约 12%。

冷启动内容补充通道

阶段：召回通道融合

解决的问题：单一召回通道容易产生系统偏差，热门内容被反复推荐，长尾物品被淹没。图推荐提供“关系视角”的独立候选集，增加曝光多样性。

具体案例：某电商平台将“用户-商品-类目”扩展为异构信息网络，把图传播结果与向量召回、协同召回做加权融合，最终曝光多样性提升 15%，长尾商品 GMV 明显增长。

Python 演示

python52 行
import numpy as np  class LightGCN:    def __init__(self, num_users, num_items, embed_dim=32, layers=3):        self.num_users = num_users        self.num_items = num_items        self.embed_dim = embed_dim        self.layers = layers        rng = np.random.RandomState(2024)        self.user_emb = rng.normal(0, 0.1, (num_users, embed_dim))        self.item_emb = rng.normal(0, 0.1, (num_items, embed_dim))        self.norm_adj = None     def build_adjacency(self, edges):        n_nodes = self.num_users + self.num_items        adj = np.zeros((n_nodes, n_nodes))        for u, i in edges:            v = self.num_users + i            adj[u, v] = 1.0            adj[v, u] = 1.0        degree = np.sum(adj, axis=1) + 1e-10        d_inv_sqrt = np.power(degree, -0.5)        d_mat = np.diag(d_inv_sqrt)        self.norm_adj = d_mat.dot(adj).dot(d_mat)     def propagate(self):        emb_all = np.vstack([self.user_emb, self.item_emb])        layer_embs = [emb_all]        for _ in range(self.layers):            emb_all = self.norm_adj.dot(emb_all)            layer_embs.append(emb_all)        final_emb = np.mean(layer_embs, axis=0)        return final_emb     def predict(self, user_id, item_id, final_emb):        u_vec = final_emb[user_id]        i_vec = final_emb[self.num_users + item_id]        return float(np.dot(u_vec, i_vec))  def main():    edges = [(0, 0), (0, 1), (1, 1), (2, 0), (2, 2), (0, 2)]    model = LightGCN(num_users=3, num_items=3)    model.build_adjacency(edges)    final_emb = model.propagate()    print("用户0 对 物品1 的评分:", round(model.predict(0, 1, final_emb), 4))    print("用户2 对 物品2 的评分:", round(model.predict(2, 2, final_emb), 4))  if __name__ == "__main__":    main()
目的：30 行代码实现 LightGCN 的核心——对称归一化邻接矩阵、多层消息传播、多层表示加权平均，并用内积给用户-物品对打分。
  1. adj[u, v] = 1.0; adj[v, u] = 1.0把一条交互记录变成二部图中的双向边，物品节点偏移到 num_users 之后。
  2. d_mat = np.diag(d_inv_sqrt)构造归一化对角阵，让后续矩阵乘法一次完成对称归一化。
  3. self.norm_adj = d_mat.dot(adj).dot(d_mat)得到 LightGCN 的核心传播矩阵。
  4. emb_all = np.vstack([self.user_emb, self.item_emb])把用户、物品嵌入拼成一个整体，方便统一传播。
  5. emb_all = self.norm_adj.dot(emb_all)执行一步消息传递：每个节点获得邻居表示的加权和。
  6. final_emb = np.mean(layer_embs, axis=0)把所有层的表示取平均，防止单层信息不足。
  7. np.dot(u_vec, i_vec)内积打分，得分越高代表用户越可能喜欢该物品。

常见误区

误区我觉得图推荐就是把所有交互数据放到一张图里，然后直接调用现成的图神经网络框架训练就行，不需要做额外设计。

正解图只是新的输入形态，真正的关键是消息传递如何设计、邻居如何采样。PinSage 和 LightGCN 都在“怎么传播”上做了大量专门优化，而不是套用通用 GCN。就像食材放进锅里不等于能炒出好菜，火候和手法才是关键。

为何常见：开源 GCN 库很多，容易让人误以为它们是拿来即用的推荐模型，忽略了推荐场景独有的交互结构。

误区LightGCN 把特征变换和非线性都删掉了，模型太简单，效果怎么比得上那些带注意力机制的复杂模型？

正解在协同过滤任务上，关键不在参数多，而在信息是否能有效传播。LightGCN 把计算全部集中在“传播”上，反而避免了过拟合，在多个数据集上超过复杂模型。这就像极简设计的家具反而更好用，因为住的人不用在清理和维护上耗神。

为何常见：深度学习中“越深越强”的直觉，让人低估了简洁模型在特定场景的潜力。

误区PinSage 的随机游走是为了学节点向量，和 DeepWalk 这类图嵌入方法差不多吧？

正解DeepWalk 用随机游走生成序列，再通过 word2vec 方式直接学节点的静态嵌入；PinSage 的随机游走只是“邻居采样器”，目的是选出有代表性的邻居集合，真正的表示学习靠消息传递聚合完成。就像收集朋友名单和听取朋友建议是两码事。

为何常见：两者都叫随机游走，术语相似但功能位置完全不同，容易造成混淆。

误区既然图神经网络能传播多层，那我把层数加到 10 层甚至 20 层，模型应该能学到更多信息，效果更好吧？

正解层数过深会导致“过平滑”——所有节点的表示趋向相同，好比朋友圈里所有人都说着同样的话，反而失去区分度。LightGCN 通常 3 层左右效果最佳，PinSage 也常用 2 层。堆层数不是免费的午餐。

为何常见：深度学习的“越深越好”直觉被生搬硬套到图上，忽略了图传播的收敛效应。

误区有了图神经网络，新物品也能通过邻居获得信息，所以冷启动问题可以被完全解决。

正解图传播只能缓解“冷”的程度。如果新物品连一条交互都没有，它的表示仍然缺乏信号来源。工业上还要配合物品内容特征、元数据等方案。图推荐让冷启动从“几乎不可能”变成“有机会”，但绝非万能。

为何常见：宣传中常强调图结构对稀疏数据的优势，容易放大效果预期。

面试题

Q1. 在推荐系统的用户-物品二部图中，边代表什么？

单选题 · easy

  • A.用户之间的好友关系
  • B.用户和物品的一次交互← 正确答案
  • C.物品之间的相似关系
  • D.用户兴趣的向量表示

答案：B。二部图一侧是用户、一侧是物品，边只会出现在两侧之间，代表一次真实的交互，如点击、购买、收藏。好友关系属于用户同侧，物品相似属于物品同侧，向量表示是节点上的属性而非边。

Q2. 邻接矩阵在图中主要起什么作用？

单选题 · easy

  • A.存储节点的稠密特征
  • B.记录节点间的连接关系← 正确答案
  • C.计算梯度下降的参数
  • D.直接生成最终推荐结果

答案：B。邻接矩阵用 0/1 或权重记录任意两个节点是否相连，是图结构最基础的数学表达。它不存特征、不存参数，也不直接产出推荐，而是作为消息传递的“地图”被模型使用。

Q3. 以下哪些属于图神经网络推荐的核心思想？

多选题 · easy

  • A.将交互数据建模为图结构← 正确答案
  • B.通过消息传递学习节点表示← 正确答案
  • C.完全不需要用户历史行为
  • D.用邻居信息更新自身表征← 正确答案

答案：ABD。图推荐把交互建成图，用消息传递让邻居信息不断更新自身表示，这是它区别于传统协同过滤的本质。但它仍然依赖用户历史交互，只是换了组织信息的方式，因此“完全不需要历史行为”是错的。

Q4. PinSage 采用随机游走采样的主要目的是什么？

单选题 · mid

  • A.降低邻居集合的规模← 正确答案
  • B.提高隐向量的维度
  • C.增加模型的非线性
  • D.减少物品特征数量

答案：A。在十亿级节点图上，对所有邻居做聚合不现实。PinSage 用随机游走先找出高频出现的候选节点，再截取 Top T 个作为邻居集合，把计算规模控制住。它不改变向量维度，也不负责非线性。

Q5. LightGCN 相比传统 GCN 最核心的简化是什么？

单选题 · mid

  • A.删除随机游走采样策略
  • B.移除特征变换和激活函数← 正确答案
  • C.将原始图改为树形结构
  • D.添加了注意力加权机制

答案：B。LightGCN 去掉了特征变换矩阵和非线性激活，只保留邻居表示的归一化传播。它证明在协同过滤中“传消息”比“加工消息”更重要。它没有引入注意力，也没有把图改成树。

Q6. LightGCN 的最终用户表示是如何得到的？

多选题 · mid

  • A.只保留最后一层传播输出
  • B.对所有层输出做加权平均← 正确答案
  • C.通过多层消息传递获得← 正确答案
  • D.直接使用随机初始化向量

答案：BC。LightGCN 会先做多层传播，每层得到一份中间表示，最后把这些层的表示加权平均作为最终嵌入。这既利用了多跳信息，又避免了过平滑。只留最后一层或直接用随机向量都不符合设计。

Q7. 图神经网络对冷启动问题的主要帮助是什么？

单选题 · mid

  • A.完全不需要任何交互数据
  • B.可通过多跳邻居传递信息← 正确答案
  • C.冷启动时自动切换模型
  • D.只依赖用户属性特征

答案：B。新物品即使自身交互很少，也能通过一到多跳的邻居关系获得描述信息，这是图模型独有的能力。它并非零数据即可用，也没有“自动切换”机制，不限于属性特征。

Q8. PinSage 聚合阶段先把邻居总结与自身拼接，这样做的主要原因是？

单选题 · hard

  • A.同时融合自身与邻居的消息← 正确答案
  • B.压缩嵌入向量的量级
  • C.将无向图变成有向图
  • D.加快随机游走的收敛

答案：A。拼接让模型能同时看到“我原本怎么想”和“朋友们怎么说”，二者缺一不可。它不负责压缩维度，也跟图的方向、游走速度无关。这一设计是 PinSage 聚合能力的关键。

Q9. 图推荐模型在工业落地时常见做法有哪些？

多选题 · hard

  • A.用于召回阶段生成候选集← 正确答案
  • B.结合 BPR 损失优化打分← 正确答案
  • C.完全替代精排阶段的模型
  • D.与其他召回结果做融合← 正确答案

答案：ABD。图推荐最常作为召回通道输出候选，并用 BPR 损失拉大正负样本分差，最后与向量召回、协同召回融合。它一般不直接当精排模型，因为精排还需要更多上下文特征与复杂交互建模。

Q10. BPR 损失函数的核心优化目标是什么？

单选题 · extreme

  • A.让正样本得分高于负样本← 正确答案
  • B.让所有物品得分趋于相同
  • C.最小化预测误差的平方
  • D.最大化嵌入向量的模长

答案：A。BPR 针对每个用户构造“正例-负例”对，用 sigmoid 把得分差变成排序正确的概率，再取负对数。它不要求误差平方最小，也不让得分趋同或追求大模长，而是拉开正负例之间的差距。