M2GRL：面向 Web 级推荐系统的多任务多视图图表示学习框架
信息检索
2020-07-14 v3 机器学习
摘要
将图表示学习与多视图数据（侧信息）结合用于推荐是工业界趋势。多数现有方法可归类为\emph{多视图表示融合}；其先构建一张图，再将多视图数据整合为图中各节点的单一紧凑表示。然而这些方法在工程与算法两方面引发担忧：1）工业界多视图数据丰富且信息量大，可能超出单一向量容量；2）因多视图数据常来自不同分布，会引入归纳偏置。本文采用\emph{多视图表示对齐}方法解决该问题。具体地，我们提出多任务多视图图表示学习框架（M2GRL）以从多视图图为 Web 级推荐系统学习节点表示。M2GRL 为每类单视图数据构建一张图，从多张图学习多个独立表示，并通过对齐建模跨视图关系。M2GRL 选用多任务学习范式联合学习视图内表示与跨视图关系。此外，M2GRL 应用同方差不确定性在训练时自适应调整任务损失权重。我们在淘宝部署 M2GRL 并基于 570 亿样本训练。据离线指标与在线 A/B 测试，M2GRL 显著优于其他前沿算法。在淘宝的多样性推荐进一步探索显示了利用 \method{} 产生的多表示的有效性，我们认为这是面向不同关注点的各类工业推荐任务的有前景方向。
引用
@article{arxiv.2005.10110,
title = {M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems},
author = {Menghan Wang and Yujie Lin and Guli Lin and Keping Yang and Xiao-ming Wu},
journal= {arXiv preprint arXiv:2005.10110},
year = {2020}
}
备注
Accepted by KDD 2020 ads track as an oral paper. Code address:https://github.com/99731/M2GRL