基于压缩图神经网络的在线服务高效用户序列学习

学习用户行为序列的表示对各种在线服务至关重要，例如在线欺诈交易检测机制。图神经网络（GNN）已被广泛应用于建模序列关系，从相似序列中提取信息。尽管用户行为序列数据在在线应用中通常非常庞大，但直接应用 GNN 模型可能在训练和推理阶段导致显著的计算开销，难以满足在线服务的实时需求。在本文中，我们利用图压缩技术来缓解这一效率问题。具体地，我们提出一种新型统一框架，称为 ECSeq（ECSseq），将图压缩技术引入用户序列表示学习中的关系建模。ECSeq 的关键模块是序列关系建模，它探索序列之间的关系以增强序列表示学习，并采用图压缩算法实现高效和可扩展性。ECSeq 还具备即插即用特性，无需修改即可无缝增强预训练的序列表示模型。经验实验在序列分类和回归任务上均证明了 ECSeq 的有效性。具体而言，在 10 万+ 序列上，ECSeq 的额外训练时间仅为几秒，推理时间保持在 $10^{-4}$ 秒/样本，同时将广泛使用的 LSTM 的预测 R@P$_{0.9}$ 提升约 5%。