M2GNN:用于基于标签的跨域推荐的元路径与多兴趣聚合图神经网络
信息检索
2023-04-18 v1
摘要
跨域推荐 (CDR) 是缓解数据稀疏问题的有效途径。基于内容的 CDR 是最有前景的分支之一,因为大多数种类的产品都可以用一段文本描述,尤其在冷启动用户或物品交互很少时。然而,两个重要问题仍未被充分探索:(1) 从内容建模视角,充足的長文本描述在真实推荐系统中通常稀缺,更常见的是轻量级文本特征,如几个关键词或标签,现有方法对其建模不当。(2) 从 CDR 视角,并非所有域间兴趣都有助于推断域内兴趣。由领域特定特征导致,部分信号在源域有益于推荐但在目标域有害。因此,如何提炼有用兴趣至关重要。为解决上述两个问题,我们提出了元路径与多兴趣聚合图神经网络 (M2GNN)。具体而言,为建模基于标签的内容,我们构建异质信息网络以承载所有域中用户、物品和标签之间的语义关联。元路径模式根据领域特定知识预定义,一个域对应一条元路径。用户表示由具有层次聚合框架的 GNN 学习,其中元路径内聚合首先过滤掉琐碎标签,元路径间聚合进一步过滤掉无用兴趣。离线实验与在线 A/B 测试分别表明 M2GNN 显著优于最先进方法及大众点评当前工业推荐系统。进一步分析显示 M2GNN 提供了可解释的推荐。
引用
@article{arxiv.2304.07911,
title = {M2GNN: Metapath and Multi-interest Aggregated Graph Neural Network for Tag-based Cross-domain Recommendation},
author = {Zepeng Huai and Yuji Yang and Mengdi Zhang and Zhongyi Zhang and Yichun Li and Wei Wu},
journal= {arXiv preprint arXiv:2304.07911},
year = {2023}
}