异构图前世今生

本文介绍了异构图学习的发展,从最初的metapath2vec模型,到EGES解决推荐系统中的稀疏性和冷启动问题,再到HIN2vec、HAN和HetGNN等模型的出现,展示了异构图神经网络在推荐系统和图表示学习中的应用和进步。同时,提到了PinSage作为在大规模图中学习节点嵌入的GCN算法。
摘要由CSDN通过智能技术生成
  1. metapath2vec
    论文 metapath2vec: Scalable Representation Learning for Heterogeneous Networks
    异构图初代,主要目标是network embedding,获得节点低维映射以便进行下游任务
    本文提出了metapath2vec和metapath2vec++两种模型,思路:随机游走获得元路径+skipgram+logloss
    下图能够比较清晰地体现论文中的网络结构:

    缺点:效果一般,onehot输入简单粗暴,将不同类型节点映射到同一向量空间显得不太合理

  2. EGES kdd2018
    上述paper1中随机游走+skipgram在阿里巴巴双11主会场个性化推荐页上的应用。
    论文:Billion-scale Commodity Embedding for E-commerce
    Recommendation in Alibaba
    过用户行为历史构建item图,学习图上所有item的embedding。为了图表示学习中稀疏性和冷启动问题,提出了两种方法结合item embedding和side information。该方法部署在淘宝平台,CTR取得了明显提高。本文关注的问题在推荐系统的matching(召回)阶段。
    在这里插入图片描述
    思路如上图,比如u2用户历史行为上午BE下

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值