基于图的推荐系统是一种推荐引擎，它使用图数据结构来建模实体（例如用户、项目和交互）之间的关系。它不是仅仅依赖用户-项目矩阵（如在传统的协同过滤中），而是将数据表示为节点（例如，用户、电影、产品）和边（例如，购买、评分、社交连接）。这种结构允许系统捕获其他方法可能遗漏的复杂、间接关系。例如，两个没有与相同项目交互的用户仍然可以通过共享属性、朋友或图中的重叠兴趣连接起来，从而实现更细致的推荐。
要构建这样的系统，开发人员通常会创建一个图，其中节点表示实体，边定义它们的关系。然后，诸如随机游走、邻域聚合或图神经网络 (GNN) 等算法分析这些连接。例如，随机游走可能会遍历从用户节点到查找频繁链接到其兴趣的项目的图，即使这些项目不是由用户直接评分的。在电影推荐场景中，图可以将喜欢相同类型、演员或导演的用户连接起来，从而允许系统根据重叠的元数据推荐电影。诸如 Neo4j 或 Apache Giraph 等工具通常用于高效地存储和查询图。
基于图的系统的主要优点是它们能够处理稀疏数据并发现间接模式。例如，在电子商务中，购买相机的用户可能没有购买三脚架的历史记录，但该图可以通过其他用户的购买路径将相机链接到三脚架，从而提示推荐。诸如 LinkedIn 等社交网络使用基于图的推荐来通过分析共享的工作场所或共同联系人来推荐连接。虽然这些系统需要仔细设计来管理计算复杂性（特别是对于大型图），但它们在建模关系方面的灵活性通常会导致比基于矩阵的方法更准确和多样化的推荐。开发人员可以使用诸如图分区或将节点嵌入到较低维向量中以进行更快相似性计算等技术来优化性能。