层次结构共享赋能客户扩张的多任务异构图神经网络
机器学习
2025-08-05 v2
摘要
客户扩张，即通过获取新客户来扩大既有客户基数的业务，是规模化运营和维持长期盈利能力的关键。虽然最先进的工作在异构图学习框架下将此任务建模为单节点分类问题并取得良好性能，但在我们场景下面临极度稀疏的正标签问题。多任务学习(MTL)通过引入相关且标签丰富的任务来通过知识共享增强稀疏任务的预测，提供了可行的解决方案。然而，现有MTL方法因未能在任务之间区分任务共享和任务特定结构模式而导致性能下降。这种问题源于其有限考虑异构图神经网络复杂结构学习过程，这涉及多层多类型关系的聚合。为解决这一挑战，我们提出了一种结构感知的层次信息共享框架(SrucHIS)，显式调节客户扩张中跨任务的结构信息共享。SrucHIS将结构学习阶段分解为多个阶段，并在每个阶段引入共享机制，有效缓解了每个阶段中任务特定结构模式的影响。我们在私有数据集和公共数据集上评估了StrucHIS，在私有数据集上实现了51.41%的平均精度提升，在公共数据集上实现了10.52%的宏F1增长。StrucHIS进一步在中国最大的物流公司之一部署，展示了相较于现有策略的41.67%的成功合同签署率提升，仅用两个月即生成了超过453K个新订单。
引用
@article{arxiv.2410.22089,
title = {Hierarchical Structure Sharing Empowers Multi-task Heterogeneous GNNs for Customer Expansion},
author = {Xinyue Feng and Shuxin Zhong and Jinquan Hang and Wenjun Lyu and Yuequn Zhang and Guang Yang and Haotian Wang and Desheng Zhang and Guang Wang},
journal= {arXiv preprint arXiv:2410.22089},
year = {2025}
}