MultiBiSage：Pinterest 上使用多二部图的 Web 级推荐系统
机器学习
2022-05-24 v1 社会与信息网络
摘要
图卷积网络（GCN）能够有效整合图结构与节点特征以学习高质量节点嵌入。这些嵌入随后可用于推荐和搜索等多项任务。在 Pinterest，我们开发并部署了 PinSage，一种从 Pin-Board 图学习 pin 嵌入的数据高效 GCN。Pin-Board 图包含 pin 和 board 实体，并捕获 pin 属于 board 的交互。然而，Pinterest 上存在若干如用户、idea pin、创作者等实体，且这些实体间存在如加购、关注、长点击等异构交互。在本工作中，我们表明在捕获这些多样交互的图上训练深度学习模型，比仅在 Pin-Board 图上训练 PinSage 能学到更高质量的 pin 嵌入。为此，我们通过多个二部图对多样实体及其多样交互进行建模，并提出一种新颖的数据高效 MultiBiSage 模型。MultiBiSage 能捕获多个二部图的图结构以学习高质量 pin 嵌入。我们采用这一务实方法，因为它使我们能利用 Pinterest 已开发的基础设施——例如可在十亿节点图上执行优化随机游走的 Pixie 系统，以及现有的训练与部署工作流。我们在包括 Pin-Board 图在内的六个二部图上训练 MultiBiSage。我们的离线指标表明，MultiBiSage 在多个用户参与度指标上显著优于已部署的最新版 PinSage。
引用
@article{arxiv.2205.10666,
title = {MultiBiSage: A Web-Scale Recommendation System Using Multiple Bipartite Graphs at Pinterest},
author = {Saket Gurukar and Nikil Pancha and Andrew Zhai and Eric Kim and Samson Hu and Srinivasan Parthasarathy and Charles Rosenberg and Jure Leskovec},
journal= {arXiv preprint arXiv:2205.10666},
year = {2022}
}