使用图卷积网络学习个性化表示
机器学习
2022-08-01 v1 人工智能
摘要
生成精确反映客户行为的表示，对于在 Alexa 中提供个性化技能路由体验是一项重要任务。目前，负责将 Alexa 流量路由至提供商或技能的 Dynamic Routing (DR) 团队依赖两个特征作为个人信号：每位客户对每个技能使用的绝对流量计数和归一化流量计数。它们都没有考虑客户与技能之间交互的基于网络的结构，而其中包含了更丰富的客户偏好信息。在这项工作中，我们首先基于客户与所调用技能的过往交互构建一个异质边属性图，其中用户请求（话语）被建模为边。然后我们提出一个基于图卷积网络（GCN）的模型，即个性化动态路由特征编码器（PDRFE），从所构建的图中学习生成个性化客户表示。与现有模型相比，PDRFE 能够进一步捕获图卷积函数中的上下文信息。我们提出的模型的性能通过一个下游任务——缺陷预测（从学习到的客户及其触发技能的嵌入中预测缺陷标签）来评估。我们观察到，与基线相比，我们提出的模型在交叉熵指标上最高有 41% 的提升。
引用
@article{arxiv.2207.14298,
title = {Learning Personalized Representations using Graph Convolutional Network},
author = {Hongyu Shen and Jinoh Oh and Shuai Zhao and Guoyin Wang and Tara Taghavi and Sungjin Lee},
journal= {arXiv preprint arXiv:2207.14298},
year = {2022}
}
备注
7 pages, 6 tables, 2 figures