面向在线十亿级推荐系统的宏观图神经网络
信息检索
2024-05-09 v2
摘要
在十亿级推荐系统中预测点击率（CTR）对图神经网络（GNN）构成了一个长期挑战，因为聚合数十亿邻居所涉及的计算复杂度极高。为了解决这个问题，基于 GNN 的 CTR 模型通常从数十亿邻居中采样数百个，以促进高效的在线推荐。然而，仅采样一小部分邻居会导致严重的采样偏差，并且无法涵盖用户或项目行为模式的完整谱系。为应对这一挑战，我们将传统的用户-项目交互图命名为“微观推荐图”，并引入了一个更适合十亿级推荐的宏观推荐图（MAG）。MAG 通过将节点数量从数十亿减少到数百个，解决了基础设施中的计算复杂性问题。具体来说，MAG 将具有相似行为模式的微观节点（用户和物品）分组形成宏观节点。随后，我们引入了定制的宏观图神经网络（MacGNN），在宏观层面聚合信息并修正宏观节点的嵌入。MacGNN 已服务于淘宝首页信息流两个月，为超过十亿用户提供推荐。在三个公开基准数据集和一个工业数据集上进行的大量离线实验表明，MacGNN 在保持计算效率的同时，显著优于十二个 CTR 基线模型。此外，在线 A/B 测试证实了 MacGNN 在十亿级推荐系统中的优越性。
引用
@article{arxiv.2401.14939,
title = {Macro Graph Neural Networks for Online Billion-Scale Recommender Systems},
author = {Hao Chen and Yuanchen Bei and Qijie Shen and Yue Xu and Sheng Zhou and Wenbing Huang and Feiran Huang and Senzhang Wang and Xiao Huang},
journal= {arXiv preprint arXiv:2401.14939},
year = {2024}
}
备注
11 pages, 7 figures, accepted by The Web Conference 2024