深度学习模型是当今人工智能研究的核心。众所周知，对欧几里得数据（例如图像）和序列数据（例如文本）具有颠覆性学习能力的深度学习技术不能直接适用于图结构数据。这种差距推动了图深度学习研究的浪潮。近年来，已经开发了大量基于图结构数据的神经网络架构，这些架构已经成功应用于社交网络、计算机视觉，自然语言处理，推荐系统，智能风控，智能交通和生物计算学等领域，并取得了显着的性能提升。这波图论与深度学习交叉的研究浪潮也影响了其他科学领域，包括计算机视觉、自然语言处理、归纳逻辑编程、程序合成与分析、自动化规划、强化学习和网络安全。尽管图上的深度学习已经引起了极大的关注，但将其应用于其他领域时仍面临许多挑战，包括从方法论的合理性到实际商业业务表现。
下面，我们就从GNN的视角出发，来重新审视推荐系统。
2021年10月10日，DataFunSummit：图机器学习在线峰会将如约而至。其中由来自京东的纪厚业博士出品的推荐与图论坛，将邀请来自快手的王晓伟老师、腾讯的易玲玲老师、孙仕杰老师、孙鸿瑞老师、美团的黄祥洲老师，以及阿里巴巴(前)的李厚意老师，从图算法的视角出发，重新审视推荐系统，和大家一起探讨交流如何将图算法应用于推荐领域，并展示目前的一些最新进展，本次分享将全程直播。
