【GCN-CTR】端到端的GNN-CTR：Dual Graph enhanced Embedding Neural Network for CTR Prediction (KDD‘21)

DG-ENN: Dual Graph enhanced Embedding Neural Network for CTR Prediction (KDD’21)

性能简直无敌了，线下这个收益上线岂不是xx亿的收益？代价就是虽然是个端到端的模型，但是用到了全数据集的邻接矩阵，这可以在数据集上搞，可以在工业场景用吗？

就论文本身而言，我个人认为这篇文章的缺点是：我反复读这篇文章，发现根本无法实现其 “分治、field-wise” 的做法。所以我按我的理解介绍。

Motivation：稀疏的特征和稀疏的交互

在CTR场景中：（1）很多特征是很稀疏的，只出现很少的次数，这些特征的语义很难很好的学出，更不要说学出这些特征和其他特征的组合特征了；（2）很多用户的交互行为也是很稀疏的（长尾用户），导致长尾用户的兴趣也很难很好的学出。

问题（2）已经被广泛用GNN来解决了：NGCF、LightGCN等；那么问题（1）也可以用GNN来解决，所以再构建一个“Attribute Graph Convolution”来解决这个问题，这就是文章题目中“Dual Graph”的来源。

输入与输出

和所有CTR模型一样，模型的输入包括用户u、商品v、用户属性$A_u$、商品属性 $A_v$、用户点击过的商品序列 $S_u$、背景信息C，经过embedding layer输入模型的就是：
$$E=\left[e_u,e_v,e_{A_u},e_{B_v},e_{S_u},e_C\right]$$
$E$ 是各种模型的输入：DIN、DSIN等，文章提出的模型就是一个 “enhanced Embedding Neural Network”，其输出的
$$P=[{\hat{p}}_u,{\hat{p}}_v,z_{A_u},z_{B_v},{\hat{p}}_{S_u}$$