【图神经网络】DGL实战：异构图神经网络在推荐系统中的应用

1. 从零开始：为什么推荐系统需要异构图？

如果你做过推荐系统，或者哪怕只是用过一些App，你肯定遇到过这样的场景：淘宝猜你喜欢、抖音的“下一个视频”、网易云音乐的每日推荐。这些系统是怎么知道你可能喜欢什么的？传统的方法，比如协同过滤，简单来说就是“喜欢A物品的人也喜欢B物品，所以推荐给你B”。这方法在早期很有效，但问题也很明显：它把用户和物品都当成了一个个孤立的ID，忽略了用户本身丰富的属性（年龄、性别、浏览历史）和物品复杂的特征（品类、价格、描述文本）。

这就好比给你介绍对象，媒人只告诉你“之前和TA相亲过的人都挺满意”，却完全不提对方的性格、爱好、职业。你心里肯定没底。推荐系统也一样，我们需要更丰富的“信息”来做判断。

这时候，图（Graph） 就登场了。我们可以把用户和物品都看作图上的“节点”，用户点击、购买、评分这些行为就是连接他们的“边”。这样一来，整个推荐系统的数据就构成了一张巨大的网络图。但问题又来了，用户节点和物品节点是两种完全不同的东西，它们的特征维度、含义天差地别。比如用户特征可能是[年龄=25， 城市=北京]，而物品特征可能是[品类=手机， 价格=3999]。用传统的、只处理单一类型节点的同构图神经网络（GNN）来处理，就像让一个只会说中文的人去理解法文和德文混在一起的文档，非常别扭。

所以，我们需要异构图神经网络（Heterogeneous Graph Neural Network）。它就像个多语言专家，能同时理解“用户”和“商品”这两种不同的“语言”，并学习它们之间复杂的交互模式。DGL（Deep Graph Library）是目前最流行的图神经网络框架之一，它对异构图的原生支持做得非常好，让我们可以相对轻松地搭建和训练这类模型。

我刚开始接触异构图时，也觉得概念有点绕。但后来想明白了，其实它就是把现实世界中复杂的关系网络，用一种更贴近本质的方式建模。一旦用图把数据组织起来，很多问题就变得直观了。比如，要预测用户会不会买某个商品，本质上就是预测图上这两个节点之间会不会产生一条新的“购买”边，这就是典型的链接预测任务。而异构图神经网络，就是用来解决这类任务的利器。

2. 动手之前：用DGL构建你的第一张异构图

理论说再多，不如动手跑一行代码。在开始构建复杂的模型之前，我们得先把数据“图化”。DGL提供了非常直观的接口来创建和处理异构图，咱们一步步来。

首先，假设我们有一个简单的电影推荐场景，有三种节点：用户、电影、导演；有两种边：用户-评分->电影、电影-由->导演。评分边可能还带有属性，比如分数（1-5分）。

2.1 创建异构图对象

在DGL里，创建异构图的核心是 dgl.heterograph 函数，它接受一个字典来定义不同类型的边。这是最关键的一步，我刚开始也在这里卡过。

import dgl
import torch

# 定义图结构数据
graph_data = {
    # 边类型: (源节点类型， 边类型， 目标节点类型)
    ('用户', '评分', '电影'): (torch.tensor([0, 0, 1, 2]), torch.tensor([0, 1, 1, 2])),  # 用户0评分了电影0和1，用户1评分了电影1，用户2评分了电影2
    ('电影', '由', '导演'): (torch.tensor([0, 1, 2]), torch.tensor([0, 1, 0])),  # 电影0由导演0执导，电影1由导演1执导，电影2由导演0执导
}

# 创建异构图
hetero_graph = dgl.heterograph(graph_data)
print(hetero_graph)

运行这段代码，你会看到类似这样的输出：

Graph(num_nodes={'用户': 3, '电影': 3, '导演': 2},
      num_edges={('用户', '评分', '电影'): 4, ('电影', '由', '导演'): 3},
      metagraph=[('用户', '电影', '评分'), ('电影', '导演', '由')])

这告诉我们，图里有3类节点，数量分别是3、3、2；有2类边，数量分别是4和3。metagraph 展示了图的元结构，清晰明了。

2.2 为节点和边添加特征

光有结构还不够，我们需要把丰富的特征信息附加上去。DGL允许我们为不同类型的节点和边分别设置特征。

# 为用户节点添加特征，假设每个用户有2个特征（例如：年龄、活跃度）
hetero_graph.nodes['用户'].data['feat'] = torch.randn(3, 2)
# 为电影节点添加特征，假设每个电影有3个特征（例如：类型编码、上映年份、预算）
hetero_graph.nodes['电影'].data['feat'] = torch.randn(3, 3)
# 为导演节点添加特征，假设每个导演有2个特征（例如：获奖次数、从业年限）
hetero_graph.nodes['导演'].data['feat'] = torch.randn(2, 2)

# 为‘评分’边添加特征，例如评分分数
hetero_graph.edges['评分'].data['rating'] = torch.tensor([5.0, 4.0, 3.0, 2.0])
print("用户特征:", hetero_graph.nodes['用户'].data['feat'])
print("评分边特征:", hetero_graph.edges['评分'].data['rating'])

这里我用了随机生成的张量来模拟特征，真实项目中，这些特征来自你的数据预处理，比如用户画像的向量、物品的嵌入向量或者文本特征的编码。为不同类型的节点分配不同维度的特征，这正是异构图灵活和强大的地方。你可以根据数据的实际情况自由设计，比如用BERT编码电影简介作为电影节点的初始特征。

2.3 异构图的基本操作

创建好图之后，我们经常需要查询和操作它。DGL的API设计得很人性化。

# 1. 获取特定类型的子图
user_movie_subgraph = hetero_graph['用户', '评分', '电影']
print(f"用户-电影子图的边数: {user_movie_subgraph.num_ed