AMinerGNN：融合查询的异构图神经网络用于论文点击率预测
信息检索
2022-08-16 v1
摘要
基于用户生成关键词的论文推荐旨在推荐同时满足用户兴趣且与输入关键词相关的论文。这是一项带有两个查询（即用户 ID 与关键词）的推荐任务。然而，现有方法侧重于依据单一查询（即用户 ID）进行推荐，不适用于解决该问题。本文中，我们提出一种新颖的基于异构图神经网络的点击率(CTR)预测模型，称为 AMinerGNN，以带两个查询推荐论文。具体而言，AMinerGNN 构建异构图，通过图表示学习将用户、论文与关键词投影至同一嵌入空间。为处理两个查询，设计了一种新颖的查询注意力融合层以动态识别其重要性，并将其融合为一个查询，从而构建统一且端到端的推荐系统。在我们所提出数据集上的实验结果及在线 A/B 测试证明了 AMinerGNN 的优越性。
引用
@article{arxiv.2208.07201,
title = {AMinerGNN: Heterogeneous Graph Neural Network for Paper Click-through Rate Prediction with Fusion Query},
author = {Zepeng Huai and Zhe Wang and Yifan Zhu and Peng Zhang},
journal= {arXiv preprint arXiv:2208.07201},
year = {2022}
}