E2E-GRec：面向图神经网络与推荐系统的端到端联合训练框架
机器学习
2026-02-24 v2
摘要
图神经网络（Graph Neural Networks, GNNs）已成为建模图结构数据并广泛应用于推荐系统（如捕捉复杂的用户-物品及物品-物品关系）的强大工具。然而，大多数工业部署采用两阶段流程：首先离线预训练 GNNs 以生成节点嵌入，再将其用作下游推荐系统的静态特征。这种解耦式范式导致两个关键局限性：（1）计算开销高，因为必须反复执行大规模 GNN 推理以刷新嵌入；（2）缺乏联合优化，由于推荐系统的梯度无法直接影响 GNN 的学习过程，导致 GNN 在推荐任务上不够信息丰富。本文提出 E2E-GRec，一种新颖的端到端训练框架，将 GNN 训练与推荐系统统一。该框架包含三个关键组件：（i）从大规模跨域异构图中进行高效子图采样，以确保训练的可扩展性和效率；（ii）图特征自动编码器（Graph Feature Auto-Encoder, GFAE）作为辅助自监督任务，以引导 GNN 学习结构性意义上的嵌入；（iii）两级特征融合机制结合基于 Gradnorm 的动态损失平衡，稳定图感知多任务端到端训练。广泛的离线评估、线上 A/B 测试（例如在停留时长上提升 0.133% 的相对提升，用户跳过视频平均数量降低 0.3171%），以及理论分析表明，E2E-GRec 在多个推荐指标上均显著优于传统方法，取得显著的性能提升。
引用
@article{arxiv.2511.20564,
title = {E2E-GRec: An End-to-End Joint Training Framework for Graph Neural Networks and Recommender Systems},
author = {Rui Xue and Shichao Zhu and Liang Qin and Tianfu Wu},
journal= {arXiv preprint arXiv:2511.20564},
year = {2026}
}