SWAG：基于加权图卷积的物品推荐
信息检索
2020-08-24 v1 机器学习
统计计算
机器学习
摘要
图结构数据的深度神经网络近期进展已在推荐系统基准上取得最先进的性能。在本工作中，我们提出一种图卷积网络（GCN）算法 SWAG（Sample Weight and AGgregate，采样加权与聚合），它结合高效的随机游走与加权图上的图卷积，为节点（物品）生成嵌入，这些嵌入同时结合了图结构以及节点特征信息（如物品描述和物品图像）。使我们能够基于图结构高效生成节点嵌入的三个重要 SWAG 操作是：(a) 将图采样为同构结构，(b) 对采样、游走和卷积操作进行加权，以及 (c) 使用 AGgregation（聚合）函数生成卷积。该工作是对 graphSAGE 在加权图上的改编。我们在 Target 部署 SWAG，并在包含超过 50 万种在线销售产品、逾 5000 万条边的图上训练它。离线与在线评估揭示了采用基于图的方法的益处，以及通过加权产生高质量嵌入和物品推荐的优势。
引用
@article{arxiv.1911.10232,
title = {SWAG: Item Recommendations using Convolutions on Weighted Graphs},
author = {Amit Pande and Kai Ni and Venkataramani Kini},
journal= {arXiv preprint arXiv:1911.10232},
year = {2020}
}
备注
10 pages, 8 figures, 2019 IEEE BigData special session