ColdGuess：一种用于应对冷启动问题的通用且高效的关系图卷积网络
机器学习
2022-05-27 v2 人工智能
摘要
在线零售网站上的低质量商品和不良行为者行为威胁着电子商务业务，因为这些会导致不佳的购买体验并侵蚀客户信任。当创建新商品时，如何判断其是否具有良好质量？该方法是否有效、快速且可扩展？以往方法常存在三个局限/挑战：(1) 无法处理新卖家/商品缺乏足够销售历史的冷启动问题。(2) 无法对数亿商品进行规模化打分，或为了可扩展性而牺牲性能。(3) 面临来自具有巨大电商业务规模的大规模图的存储挑战。为克服这些局限/挑战，我们提出了 ColdGuess，一种构建于异构卖家-商品图之上的归纳式基于图的风险预测器，可规模化地有效识别高风险卖家/商品/ listings。ColdGuess 通过合并节点应对大规模图，并利用同质影响1解决冷启动问题。在真实数据上的评估表明，ColdGuess 在未知特征数量增加时具有稳定性能。在新卖家销售新产品的冷启动情形下，其 ROC-AUC 比 lightgbm2 高出至多 34 个百分点。所得到的系统 ColdGuess 高效、能适应不断变化的高风险卖家行为，且已投入生产。
引用
@article{arxiv.2205.12318,
title = {ColdGuess: A General and Effective Relational Graph Convolutional Network to Tackle Cold Start Cases},
author = {Bo He and Xiang Song and Vincent Gao and Christos Faloutsos},
journal= {arXiv preprint arXiv:2205.12318},
year = {2022}
}