面向Web规模推荐系统的图卷积神经网络
信息检索
2018-06-07 v1 机器学习
机器学习
摘要
图结构数据深度神经网络的最新进展在推荐系统基准上取得了最先进的性能。然而，使这些方法实用化并扩展到拥有数十亿物品和数亿用户的Web规模推荐任务仍具挑战。本文描述了我们在Pinterest开发并部署的大规模深度推荐引擎。我们提出了一种数据高效的图卷积网络(GCN)算法PinSage，它结合高效随机游走与图卷积来生成节点（即物品）的嵌入，这些嵌入同时融合了图结构信息与节点特征信息。相较于先前的GCN方法，我们基于高效随机游走开发了结构化卷积的新方法，并设计了依赖逐步加难训练样本的新训练策略，以提升模型的鲁棒性与收敛性。我们还开发了高效的MapReduce模型推断算法，利用训练好的模型生成嵌入。我们在Pinterest部署了PinSage，并在代表图钉和画板的30亿节点、180亿条边的图上以75亿样本对其进行训练。根据离线指标、用户研究与A/B测试，PinSage生成的推荐质量优于可比的深度学习与基于图的替代方案。据我们所知，这是迄今为止深度图嵌入的最大规模应用，并为基于图卷积架构的新一代Web规模推荐系统铺平了道路。
引用
@article{arxiv.1806.01973,
title = {Graph Convolutional Neural Networks for Web-Scale Recommender Systems},
author = {Rex Ying and Ruining He and Kaifeng Chen and Pong Eksombatchai and William L. Hamilton and Jure Leskovec},
journal= {arXiv preprint arXiv:1806.01973},
year = {2018}
}
备注
KDD 2018