ContextGNN：超越双塔推荐系统
信息检索
2024-12-02 v1 机器学习
摘要
推荐系统主要采用双塔结构，通过计算用户嵌入与物品嵌入的内积来评估用户-物品排序。然而，双塔模型的一个关键局限在于其对用户和物品学习的是无关表示。在 contrast，基于成对的表示要么由于其二次复杂度导致规模不足，要么对待排序的候选对过于受限。为此，我们提出上下文图神经网络（ContextGNN），这是一种用于推荐系统中链路预测的新型深度学习架构。该方法在用户局部子图中位于熟悉位置的物品上采用基于成对的表示技术，同时利用双塔表示来促进探索性物品的推荐。最终网络随后预测如何将基于成对和双塔的推荐融合为单个物品排序。我们展示，ContextGNN 能够适应不同的数据特征，在多样化的实际推荐任务中超越现有方法，包括传统方法和基于图的方法，平均提升性能 20%。
引用
@article{arxiv.2411.19513,
title = {ContextGNN: Beyond Two-Tower Recommendation Systems},
author = {Yiwen Yuan and Zecheng Zhang and Xinwei He and Akihiro Nitta and Weihua Hu and Dong Wang and Manan Shah and Shenyang Huang and Blaž Stojanovič and Alan Krumholz and Jan Eric Lenssen and Jure Leskovec and Matthias Fey},
journal= {arXiv preprint arXiv:2411.19513},
year = {2024}
}
备注
14 pages, 1 figure, 5 tables