「工业落地」阿里异质图神经网络推荐：19KDD IntentGC

IntentGC: a Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation

背景介绍

文章核心思想？

文章收集大量user-item信息，比如说用户购买品牌、用户偏好的类别、用户浏览的商店、用户搜索的记录；item的品牌、item类别、item店铺、item性质等，利用这些信息构造异构图，提出了IntentGC模型，可以结合不同类型关系学习。在IntentGC中，还设计了快速GCN模型：IntentNet，避免不必要的特征交互，减少模型复杂度。本文提出的模型在大规模真实数据中表现良好。

本文工作：

1. 充分利用辅助信息。文中把一阶关系转化为二阶关系构图。一阶相似性：如果用户1搜索了Spiderman，那么可以认为用户1和Spiderman直接相连，认为他们有一阶相似性。二阶相似性：如果用户1和用户2都搜索了Spiderman, ironman, thor，我们认为这两个用户的关系更强，有二阶相似性。文章根据不同节点类型，产生二阶相似性的异构关系，并对二阶关系赋予权重，实验表示学习这种二阶相似度可以改善模型的表现。

2. 快速图卷积。为了减少模型复杂度，我们提出了IntentNet快速图卷积方法，此方法将图卷积划分为两个部分：1）vector-wise邻居卷积部分；2）节点特征交互的全连接部分。通过此种方法避免了无意义的特征交互，此种方法比GraphSAGE更高效。

3. 异构网络中二部图卷积：分别利用两个IntentNet来学习用户和item的向量表示，将二者全连接映射到同一个向量空间后，显式学习用户和item的相关性

user-item 推荐问题定义

用户节点  , item节点  ，其他类型节点  （品牌、搜索、店铺等），边  ，其中  是用户和item节点之间的边， 表示其他类型的边。推荐问题是要根据用户的历史行为来预测用户可能偏好的item，可以 把user-item推荐问题看作是链路预测问题，即预测用户和item之间是否有边相连。

算法原理

模型分为三个部分：

• Network Translation 把原始图转化为user-user, item-item, user-item图

• Faster Convolution Network: IntentNet 快速卷积算法学习用户和item的向量表示

• Dual Graph Conbolution in HIN: 学习用户和向量的链接关系

Network Translation

网络中有多种信息，下图为电子商务网络中有多种信息的异构图。左边为用户，右边为item，节点有多种类型：品牌、商店、类别、搜索、性质等；边也有多种类型：购买、浏览、搜索、偏好、属于、共现等，利用如此多的信息进行建模时，复杂度很高，然而在推荐系统中，我们只需要考虑user和item的关系，因此我们希望把原始复杂的图转化为user-user, item-item,user-item关系图。