基于加权消息平均的高效图推荐系统

我们展示了一种针对推荐系统问题的新颖解决方案，其中我们面临长期的软物品冷启动问题。我们的系统旨在向潜在卖家推荐有需求的产品以在 Amazon 商店中上架。这些产品始终只有极少的交互，从而产生了长期的软物品冷启动状况。现代协同过滤方法利用内容属性解决冷启动，并挖掘来自热启动物品的现有隐式信号。这种方法在我们的用例中失效，因为我们的整个物品集始终面临冷启动问题。我们的产品图拥有超过 5 亿个节点和超过 50 亿条边，这使得使用现代图算法进行训练和推理非常耗费计算资源。为克服这些挑战，我们提出了一种系统，其缩减数据集规模并采用改进的建模技术以减少存储和计算而不损失性能。特别地，我们使用一种过滤技术缩减图规模，然后利用这种缩减后的产品图，采用层间加权消息平均（WAML）算法。WAML 简化了在大型图上的训练，并通过将计算时间缩减至 LightGCN 的 1/7 和图注意力网络（GAT）的 1/26，并将 recall$@100$ 较 LightGCN 提升 66%、较 GAT 提升 2.3 倍，从而优于先前的方法。