滴滴KDD2020论文(二) | 一种新奇且通用的面向在线推荐的异构图信息融合框架

新闻详情

News Detail

当前位置：学术合作 > 新闻中心

2020-09-07 11:39作者：科技生态与发展标签：科技

滴滴KDD2020论文(二) | 一种新奇且通用的面向在线推荐的异构图信息融合框架

本文是对滴滴Poster论文《Gemini: A Novel and Universal Heterogeneous Graph Information Fusing Framework for Online Recommendations》的详细解读。在这篇论文中，滴滴提出了一个通用有效的框架Gemini，它只依赖于通用的user-item交互日志，避免了对辅助信息的依赖，保证了更好的通用性。此外，为了有效地训练，还提出了一种迭代训练算法来降低计算复杂度。在5个数据集上的实验结果和在线A/B测试结果显示，Gemini优于最先进的算法。

01 研究背景

滴滴出行拥有许多不同类型的推荐场景，在不同的推荐场景中，推荐的item是完全不同的，可用的属性信息也非常不同。因此，如何建立一个统一的推荐系统来满足所有场景的推荐需求是一个巨大的挑战。

近年来，网络表示学习得到了研究者们的广泛关注，并已成功应用于推荐系统中。网络表示学习可以融合基于网络拓扑的信息，并通过为每个节点分配低维表示来捕获节点之间的关系(如一阶或二阶邻居)。由于向量是在同一个空间中学习的，因此可以用来度量实体的相似性，这在推荐系统中是至关重要的。一些研究表明，引入额外的辅助信息(如评论文本、查询词)可以进一步提高推荐效率。然而，这些信息是一把双刃剑，在提高性能的同时降低了模型的通用性。如上所述，由于user类型(如乘客、司机等)和item(如折扣券、营销广告等)的不同，使得这种算法难以在一个统一的推荐系统中实现。因此，我们迫切需要一个更通用的网络表示模型，可以应用于所有的场景。在推荐场景中，最常见的信息是user-item交互日志，可用于构建典型的user-item二分图网络。因此，本文试图在不依赖任何辅助信息的情况下，基于最常见的user-item交互，提出一种更有效、更通用的网络表示学习方法。

02 问题定义

03 解决方案

在本节中，我们详细介绍了所提出的框架Gemini，它具有四个关键特性：

Network Transformation，它将user-item异构图转换为两个半同构图，即Gemini-U和Gemini-I。
Edge embedding，用属性信息表示边。
Information Convolution，有效学习user和item的表示。
Gemini-Collaboration，迭代训练，减少训练时间，并且不影响算法效果。

▍3.1 Network Transformation

如下图所示，推荐系统中最常见的网络是描述user和item之间交互的二分图。我们分别从user和item的角度将user-item异构图转换为两个半同构图，即Gemini-U和Gemini-I。具体地说，如果两个user都链接到相同的item，那么他们就有一些共同感兴趣的item，因此在Gemini-U中在他们之间添加了一条边。这些item是边的属性，如上所述称为Att-U。类似地，如果两个item都链接到相同的一些user，那么它们共享相同的目标user，从而在Gemini-I中在它们之间添加一条边。这些user是边的属性，称为Att-I。Att-U和Att-I描述了为什么要建立边，并且将原始的user-item邻居关系都保留在边中。然后，Gemini-U/Gemini-I中的节点都是相同的类型，并且一阶邻居描述了原始的二阶邻居关系。最后，我们可以很容易地扩展一个基于GCN的算法来学习节点表示，并且不依赖于任何额外的辅助信息，也不丢失任何拓扑关系。

▍3.2 Edge Embedding

在Gemini的框架，边缘信息是至关重要的。首先，边属性(Att-U和Att-I中的节点)描述了原始的一阶邻居关系，可以用来度量Gemini-U或Gemini-I中节点的邻居关系的强度。其次，通过共享节点表示，边属性可以在另一个图中提供异构节点的信息。这带来了两个好处；一是交换了Gemini-U/Gemini-I的拓扑信息，特别是高阶邻居关系；另一种是两个独立的图，即Gemini-U和Gemini-I，它们之间有着密切的联系，它们的网络信息融合相互影响。