RecBole-GNN: 基于图神经网络的高效可扩展推荐系统库

RecBole-GNN简介

RecBole-GNN是一个基于PyTorch和RecBole构建的推荐系统库,专注于图神经网络(GNN)在推荐系统中的应用。该项目由RUCAIBox团队开发和维护,旨在为研究人员和实践者提供一个高效、可扩展的GNN推荐算法开发和评估平台。

RecBole-GNN Logo

RecBole-GNN的主要特点包括:

易用的统一API: 与RecBole保持一致的API设计和输入格式,降低学习成本。
高效的图处理: 提供高效可重用的基础数据集、数据加载器和图学习层,加速模型开发。
丰富的GNN模型: 集成了多个主流GNN库(如PyG)的图神经网络,并可轻松扩展新算法。
全面的推荐场景: 涵盖通用推荐、序列推荐和社交推荐三大类别,满足不同应用需求。
优化的性能: 通过图预处理和高效GNN层实现,显著提升了训练速度。

系统架构

RecBole-GNN的系统架构如下图所示:

RecBole-GNN架构图

该架构包括以下主要组件:

数据处理模块:负责加载和预处理各类推荐数据集。
图构建模块:根据不同推荐场景构建相应的图结构。
GNN模型模块:实现各种图神经网络推荐算法。
训练与评估模块:提供统一的模型训练和性能评估接口。

这种模块化设计使得RecBole-GNN具有良好的可扩展性和灵活性。

支持的模型

RecBole-GNN目前支持多种先进的GNN推荐模型,按应用场景可分为三类:

通用推荐

NGCF: 神经图协同过滤
LightGCN: 轻量级图卷积网络
SSL4Rec: 大规模物品推荐的自监督学习
SGL: 推荐的自监督图学习
SimGCL: 简单图对比学习推荐
XSimGCL: 极简图对比学习推荐
LightGCL: 简洁有效的图对比学习推荐
等

序列推荐

SR-GNN: 基于图神经网络的会话推荐
GC-SAN: 图上下文化自注意网络
NISER+: 归一化物品和会话表示
LESSR: 处理图神经网络信息丢失的会话推荐
TAGNN: 目标注意图神经网络
等

社交推荐

DiffNet: 社交推荐的神经影响扩散模型
MHCN: 自监督多通道超图卷积网络
SEPT: 社会感知自监督三重训练

这些模型涵盖了GNN推荐领域的多个重要方向,为研究人员提供了丰富的基准和参考实现。

快速开始

要开始使用RecBole-GNN,首先需要安装以下依赖:

recbole==1.1.1
pyg>=2.0.4
pytorch>=1.7.0
python>=3.7.0

安装完成后,可以使用以下命令运行示例:

python run_recbole_gnn.py

如需更改模型或数据集,可以通过命令行参数指定:

python run_recbole_gnn.py -m [model] -d [dataset]

性能评测

RecBole-GNN团队对实现的各个模型进行了详细的超参数调优,并发布了相应的性能排行榜,以供参考:

这些排行榜不仅展示了各模型的性能,也为研究人员提供了可靠的基准。

效率提升

通过优化序列/会话图的预处理技术和高效的GNN层实现,RecBole-GNN显著提升了序列推荐模型的训练速度:

效率对比图

训练时间对比

这些优化使得研究人员能够更快地迭代和验证新ideas。

开发团队

RecBole-GNN由RUCAIBox团队的成员开发和维护,主要开发者包括:

Yupeng Hou (@hyp1231)
Lanling Xu (@Sherry-XLL)
Changxin Tian (@ChangxinTian)

同时也感谢其他贡献者的付出,包括Xinzhou (@downeykking), Wanli (@wending0417)和Jingqi (@Tokkiu)等。

总结

RecBole-GNN作为一个专注于GNN推荐系统的开源库,为该领域的研究和应用提供了强大的工具支持。它不仅实现了众多最新的GNN推荐算法,还通过各种优化技术提高了模型的训练效率。未来,RecBole-GNN团队将继续跟进学界最新进展,不断扩充和优化该库,为推荐系统研究社区做出更多贡献。

如果您在研究中使用了RecBole-GNN,请引用以下论文:

@inproceedings{zhao2022recbole2,
  author={Wayne Xin Zhao and Yupeng Hou and Xingyu Pan and Chen Yang and Zeyu Zhang and Zihan Lin and Jingsen Zhang and Shuqing Bian and Jiakai Tang and Wenqi Sun and Yushuo Chen and Lanling Xu and Gaowei Zhang and Zhen Tian and Changxin Tian and Shanlei Mu and Xinyan Fan and Xu Chen and Ji-Rong Wen},
  title={RecBole 2.0: Towards a More Up-to-Date Recommendation Library},
  booktitle = {{CIKM}},
  year={2022}
}

总之,RecBole-GNN为GNN推荐系统研究提供了一个全面、高效且易于使用的平台,值得推荐系统领域的研究人员和实践者关注和使用。