图神经网络（GNNs）近年来在推荐系统中获得了显著的关注。通过将用户-项目矩阵表示为二部和无向图，GNNs展现出捕捉用户-项目之间短距离和长距离交互的潜力，从而学习比传统推荐方法更准确的偏好模式。与之前同主题的教程相比，本教程旨在展示和检验三个关键方面，这些方面特征化了推荐系统中的GNNs：(i) 最新方法的可重复性，(ii) 图拓扑特征对这些模型性能的潜在影响，以及(iii) 在从头开始训练特征或利用预训练嵌入作为额外项目信息（例如，多模态特征）时学习节点表示的策略。目标是为该领域提供三个新颖的理论和实践视角，这些视角目前在图学习中受到争议，但在推荐系统的背景下长期被忽视。

本教程由Tommaso Di Noia领衔，旨在深入探讨基于图神经网络（GNNs）的推荐系统。教程结构精心设计，涵盖了从基础概念到实际实现，再到推荐系统的性能评估等多个方面。整体安排如下：

引言和背景（Tommaso Di Noia）：20分钟

教程介绍和动机：5分钟 * 推荐系统的基本概念 & 基于GNNs的推荐：15分钟 可重复性（Claudio Pomo）：60分钟

[动手实践 #1] 在Elliot中使用PyG实现基于GNNs的推荐系统和可重复性问题：35分钟 * 基于GNNs方法与传统推荐系统的性能比较：25分钟 * 休息和问答：15分钟 图拓扑：30分钟

用户-项目图的图拓扑特性的概念和公式化（Tommaso Di Noia）：15分钟 * 图拓扑特性对基于GNNs的推荐系统性能的影响（Daniele Malitesta）：15分钟 节点表示（Daniele Malitesta）：45分钟

从头开始训练节点嵌入的设计选择：20分钟 * [动手实践 #2] 利用项目的辅助信息（例如，多模态特征）表示节点嵌入：25分钟

通过这个教程，参与者将获得对基于GNNs的推荐系统的全面了解，包括其理论基础、实现挑战和性能优化的策略。此外，通过两个动手实践环节，参与者将有机会亲身体验如何构建和评估这类系统，从而深入理解推荐系统中GNNs的应用和潜力。这个教程是对感兴趣于推荐系统和GNNs的研究者和实践者的宝贵资源。