ATBRG:用于高效推荐的自适应目标-行为关系图网络
信息检索
2020-05-28 v3
摘要
推荐系统(RS)致力于预测用户对给定物品的偏好,并已广泛部署于大多数 Web 规模应用中。近来,知识图谱(KG)因其丰富的连接信息在 RS 中备受关注。现有方法要么在 KG 上为用户-物品对探索独立的元路径,要么在整个 KG 上采用图神经网络(GNN)分别生成用户与物品的表示。尽管有效,前一类方法未能充分捕获 KG 中隐含的结构信息,而后一类则在嵌入传播过程中忽略了目标用户与物品之间的相互作用。本工作中,我们提出一种名为自适应目标-行为关系图网络(简称 ATBRG)的新框架,以有效捕获 KG 上目标用户-物品对的结构关系。具体而言,为将给定目标物品与用户在 KG 上的行为相关联,我们提出图连接与图剪枝技术来构建自适应目标-行为关系图。为以端到端方式充分提炼由丰富关系连接的子图结构信息,我们精心设计了 ATBRG 的模型,配备关系感知提取层与表示激活层。我们在工业与基准数据集上进行了大量实验。实证结果表明 ATBRG 持续且显著优于最先进的方法。此外,ATBRG 在淘宝 APP 某热门推荐场景成功部署后,在 CTR 指标上实现了 5.1% 的性能提升。
引用
@article{arxiv.2005.12002,
title = {ATBRG: Adaptive Target-Behavior Relational Graph Network for Effective Recommendation},
author = {Yufei Feng and Binbin Hu and Fuyu Lv and Qingwen Liu and Zhiqiang Zhang and Wenwu Ou},
journal= {arXiv preprint arXiv:2005.12002},
year = {2020}
}
备注
Accepted by SIGIR 2020, full paper with 10 pages and 5 figures