图神经网络（GNN）通过将用户、项目和其他实体之间的复杂关系建模为图，在推荐系统中发挥着关键作用。传统的推荐方法通常将用户与项目的交互视为一个矩阵，这难以处理稀疏数据，并且忽略了高阶连接（例如，通过共同偏好连接的用户或通过属性关联的项目）。GNN 通过将交互显式表示为图中的节点和边，然后通过图传播信息来学习更丰富的表示，从而解决了这个问题。例如，用户节点可以聚合他们交互过的项目信息，而项目节点可以聚合点击或购买它的用户信息。这种方法捕获了间接关系，例如识别出即使他们没有直接交互过相同项目，但品味相似的用户。
一个常见的用例是社交推荐，其中 GNN 将用户社交网络与交互数据相结合。如果用户 A 关注用户 B，GNN 可以将用户 B 的偏好传播到用户 A 的嵌入中，从而改进推荐。另一个例子是基于会话的推荐，其中将用户操作序列（例如，浏览会话中的点击）建模为动态图。GNN 通过分析项目在会话中如何按时间顺序或上下文连接来更新项目嵌入。图注意力网络（GAT）等技术通过加权连接进一步改进这一点——例如，强调最近的交互而不是较早的交互。Pinterest 和阿里巴巴等平台已经部署了基于 GNN 的系统（例如 PinSage）来处理具有数十亿个节点的大规模图，展示了它们的实际可扩展性。
然而，GNN 也带来了挑战。训练需要高效处理稀疏的大规模图，这通常通过子图采样或邻域聚合策略解决。由于动态更新（例如，新的用户交互），实时推理可能会很棘手，这促使了增量图更新或轻量级再训练等解决方案。尽管存在这些障碍，GNN 在关系至关重要的场景中表现出色——例如在研究论文数据集中推荐合作者网络中的项目，或在具有重叠类别的电子商务生态系统中推荐产品。通过利用图结构，与传统方法相比，GNN 能够实现更准确、更易于解释的推荐，特别是在数据互联但稀疏的情况下。