「工业落地」阿里在图神经网络推荐的探索

最新推荐文章于 2024-08-12 08:59:40 发布

weixin_45519842

最新推荐文章于 2024-08-12 08:59:40 发布

阅读量422

点赞数

本文链接：https://blog.csdn.net/weixin_45519842/article/details/108470469

版权

本文解析阿里在KDD2019发表的论文，介绍MEIRec模型，该模型利用Metapath-guided Heterogeneous Graph Neural Network解决意图推荐问题，通过元路径指导的邻居聚合学习用户和query的向量表示，降低参数空间，提升推荐效果。

摘要由CSDN通过智能技术生成

本文是对阿里发表在KDD2019的论文Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation的解读。

背景介绍

文章核心思想？

本文关注意图推荐，即直接根据用户的历史行为进行推荐，无需用户进行任何输入。文章中提出一种Metapath-guided Emebedding method for Intent Recommendation(MEIRec)模型，设计了metapath-guided这种基于元路径的方法来学习异构图的网络的节点向量表示，同时为了解决参数过多的问题，提出Uniform term embedding方法，把具有相同term(可以理解为分词结构的目标映射到同一个向量空间中，在实验中，模型效果表现良好。

意图推荐

意图推荐，即不需要用户的任何输入，根据用户的历史行为进行推荐。下图为淘宝的意图推荐例子，根据用户的历史行为，预测出用户可能对air jordan感兴趣，在搜索栏中进行推荐，提示用户可以进行搜索。意图推荐不同于query推荐，它是根据用户的历史行为进行推荐，而不是之前相似的query；并且它不需要输入任何的query；意图推荐也不同于item推荐，它需要考虑用户、item、query的交互关系；并且用户的意图是经常动态变化的。

从数学的角度，给定一个集合，其中是p个用户的集合；是q个item的集合；是r个query的集合；是n被term的集合；term可以理解为分词，比如说Hand bag有两个term，hand和bag，在本文中，query和item都被看作由term组成的；A表示每一项的特征；B表示各项之间的交互。意图推荐的目的就是给每个用户推荐query