用于增量实体解析中不一致簇检测的图神经网络

在线商店常利用捆绑和替代品等产品关系来提升目录质量并引导顾客面对海量选择。使用成对产品匹配模型的实体解析提供了一种推断产品间关系的手段。在成熟的数据存储库中，这些关系可能大体正确，但由于原始数据或实体解析系统中的错误，需要进行增量改进。设计增量实体解析（IER）方法来改善关系健康度至关重要。然而，现有 IER 研究大多聚焦于向已有关系中新增产品或信息，针对当前关系中低质量检测的研究相对较少。本文提出一种识别不一致簇（IC，即不应在一起的现有相关产品组）的新方法。我们提议将不一致簇的识别视为一个监督学习任务，预测以相似度为带权边的产品图是否应被划分为多个簇。在此情形下，该问题转化为带权图上的分类任务，并成为图神经网络（GNNs）等现代工具的有趣应用领域。我们证明现有的消息传递神经网络在此任务上表现良好，超越传统图处理技术。我们还为消息传递神经网络开发了一种新的消息聚合方案，进一步提升了 GNNs 在该任务上的性能。我们将模型应用于合成数据集、公共基准数据集和内部应用。我们的结果证明了图分类在 IER 中的价值，以及图神经网络为图划分构建有用表示的能力。