用于LinkedIn个性化通知的大规模可扩展跨域图神经网络
机器学习
2025-06-17 v1
摘要
通知推荐系统对于驱动LinkedIn等职业平台的用户参与度至关重要。设计此类系统需要跨域整合异构信号、捕捉时间动态，并针对多个往往相互冲突的目标进行优化。图神经网络(GNN)为建模此类环境中的复杂交互提供了强大框架。本文提出了一种在LinkedIn部署的跨域GNN系统，将用户、内容和活动信号统一为单一的大规模图。通过在该跨域结构上进行训练，模型在关键任务上显著优于单域基线，包括点击率(CTR)预测和专业互动。我们引入了时间建模和多任务学习等架构创新，进一步提升了性能。部署在LinkedIn的通知系统中后，该方法使周活跃用户提升了0.10%，CTR提升了0.62%。本文详细阐述了图构建过程、模型设计、训练流水线以及离线和在线评估。我们的工作展示了跨域GNN在现实世界中高影响力应用的可扩展性与有效性。
引用
@article{arxiv.2506.12700,
title = {Large Scalable Cross-Domain Graph Neural Networks for Personalized Notification at LinkedIn},
author = {Shihai He and Julie Choi and Tianqi Li and Zhiwei Ding and Peng Du and Priya Bannur and Franco Liang and Fedor Borisyuk and Padmini Jaikumar and Xiaobing Xue and Viral Gupta},
journal= {arXiv preprint arXiv:2506.12700},
year = {2025}
}