协同信号：通过图神经网络利用共同参与和语义链接
信息检索
2023-12-08 v1 人工智能
摘要
给定一组候选实体（例如电影标题），识别相似实体的能力是许多推荐系统的核心能力。这通常通过协同过滤方法实现，即如果用户频繁共同参与一对实体，则嵌入应相似。然而，仅依赖共同参与数据可能导致新实体和冷门实体的嵌入质量较低。我们在Netflix的推荐系统背景下研究这个问题。我们观察到存在丰富的语义信息，如类型、内容成熟度级别、主题等，这些信息补充了共同参与信号，并在相似性模型中提供了可解释性。为了从两个数据源整体学习实体相似性，我们提出了一种新颖的基于图的方法，称为SemanticGNN。SemanticGNN在大型知识图谱中对实体、语义概念、协同边和语义边进行建模，并对其进行表示学习。我们的关键技术贡献有两方面：（1）我们开发了一种新颖的关系感知注意力图神经网络（GNN）来处理图中关系类型的不平衡分布；（2）为了处理拥有数百万节点和数十亿边的网络规模图数据，我们开发了一种新颖的分布式图训练范式。所提出的模型已成功部署在Netflix内部，实验表明，在相似性判断任务上，性能提升高达35%。
引用
@article{arxiv.2312.04071,
title = {Synergistic Signals: Exploiting Co-Engagement and Semantic Links via Graph Neural Networks},
author = {Zijie Huang and Baolin Li and Hafez Asgharzadeh and Anne Cocos and Lingyi Liu and Evan Cox and Colby Wise and Sudarshan Lamkhede},
journal= {arXiv preprint arXiv:2312.04071},
year = {2023}
}