基于多图神经网络学习跨域表示
机器学习
2019-05-27 v1 机器学习
摘要
学习有效嵌入已被证明在许多现实问题中有用，如推荐系统、搜索排序与在线广告。然而，挑战之一在于学习大规模物品嵌入时的数据稀疏性，因为用户在单个领域的历史行为数据通常匮乏或不足。事实上，用户针对不同领域中相同物品的行为通常是相关的。因此，我们可以利用相关领域的互补信息来学习完整的用户行为，从而缓解稀疏性。使用图对用户行为建模是直观的，且图神经网络（GNNs）近期已展现出在表示学习上的强大能力，可用于学习物品嵌入。然而，利用现有 GNNs 实现跨域信息迁移并学习跨域表示颇具挑战。为应对这些挑战，本文提出一种新颖模型——深度多图嵌入（DMGE）以学习跨域表示。具体而言，我们首先基于不同领域的用户行为构建多图，随后提出一种多图神经网络以无监督方式学习跨域表示。特别地，我们给出了一种多梯度下降优化器以高效训练该模型。我们在多个大规模真实数据集上评估了该方法，实验结果表明 DMGE 在各种任务中优于其他最先进的嵌入方法。
引用
@article{arxiv.1905.10095,
title = {Learning Cross-Domain Representation with Multi-Graph Neural Network},
author = {Yi Ouyang and Bin Guo and Xing Tang and Xiuqiang He and Jian Xiong and Zhiwen Yu},
journal= {arXiv preprint arXiv:1905.10095},
year = {2019}
}