意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation

Metapath-guided Embedding method for Intent Recommendation（MEIRec）
“搜索栏关键词推荐”
静态属性数据+交互数据
基于用户历史行为推荐，不是相似的历史查询；无需输入
三元组：user，item，query；动态数据
异构图神经网络，metapath-guided neighbours聚合

HIN：network schema和metapath：

整体结构如下：

基于term lexicon（词典）：AliWS（Alibaba Word Segmenter）
进行一致项嵌入，减少参数。
metapath-guided information aggregation：

对于用户：
UIQ：q1->i1，q2,q3->i2，i1,i2->u2UIQ
u2=g(u2UIQ，u2UQI)
g是聚合函数，论文中采用的是简单平均。
序列数据，采用RNN/LSTM
对于查询，同理，但非序列，采用CNN

与静态特征一起经过MLP。
user i和query j之间计算得分：

损失函数：

复杂度：
离线实验中对数据天数、数据量、不同的聚合方式、不同的metapath及neighbour的数目都进行了测试。
线上实验中提高了CTR。

**

输入 0:81：wide_feat_list，42 static features of user + 39 static features query 81:276：user_item_seq_feat，用户单击日志,195= 1513，13=10(item_terms)+1(item_topcate X)+1(item_leafcate X)+1(time_delta X) — rnn —> user_item_term_lstm_output (user_word_embedding) 276:292：query_feat, 16=10(query length)+3(query topcate length X)+3(query leafcate length X)，— mean —>query_w2v_sum (query_embedding) 292:462：user_query_seq_feat，用户搜索日志，与user_item_seq_feat同理（user_query_seq_embedding） 462:562：query_item_query_feat，query 引导的 item 对应的 query 的 term avg – cnn/avg—> （query_item_query_embedding） 562:662：user_query_item_feat，n10，10为 query 相应的 item 的term id，reduce mean 之后再根据 query 的顺序用rnn聚合（user_item_query_embedding） 662:812：user_item_query_feat，n10，10为 item 相应的 query 的term id，reduce mean 之后再根据 item 的顺序用rnn聚合（user_query_item_embedding） 812:：query_user_item_feat，点击 query 的 user 点击过的 item 的 term avg — cnn/avg—> （query_user_item_embedding） 中间层 wide_feat_list — wide_full_connect —>wide_hidden_layer1 (64 维) embedding — tf.concat — tf.nn.dropout (647 维)—单层全链接—> qu_term_concat（64 维） [wide_feat_list, qu_term_concat] — tf.concat（64*2维） — 两层全链接（128-64-1） — > global_res loss 和优化 loss = 交叉熵+对全链接w的L2正则化 优化器 adam，带 clip_by_global_norm（global 的梯度阶段）、exponential_decay（梯度衰减）、ExponentialMovingAverage（平滑）**