ZOOMER：通过感兴趣区域提升万维网规模图上的检索
信息检索
2022-03-24 v1 人工智能
机器学习
摘要
我们介绍了 ZOOMER，一个部署于中国最大电商平台淘宝的系统，用于在万维网规模图上训练和服务基于 GNN 的推荐。ZOOMER 旨在应对淘宝海量用户数据带来的两个挑战：图规模巨大导致的训练/服务效率低，以及信息过载使推荐模型偏离特定用户意图导致的推荐质量低。ZOOMER 通过引入一个关键概念——面向推荐的 GNN 中的感兴趣区域（Region of Interests, ROI），即图中与强烈用户意图显著相关的邻域区域，来实现这一目标。ZOOMER 将关注点从整张图缩小并“放大”到更相关的 ROI，从而在降低训练/服务成本的同时缓解信息过载。借助精心设计的机制，ZOOMER 识别每次推荐请求所表达的兴趣，依据该兴趣采样构建 ROI 子图，并通过多级注意力模块引导 GNN 针对该兴趣对 ROI 不同部分重新赋权。作为一个大规模分布式系统，ZOOMER 支持十亿级节点图的训练以及每秒数千次请求的服务。在采样规模缩减时，ZOOMER 相较基线方法取得了高达 14 倍的加速，且 AUC 表现相当（甚至更优）。此外，离线评估与在线 A/B 测试均证明了 ZOOMER 的有效性。
引用
@article{arxiv.2203.12596,
title = {ZOOMER: Boosting Retrieval on Web-scale Graphs by Regions of Interest},
author = {Yuezihan Jiang and Yu Cheng and Hanyu Zhao and Wentao Zhang and Xupeng Miao and Yu He and Liang Wang and Zhi Yang and Bin Cui},
journal= {arXiv preprint arXiv:2203.12596},
year = {2022}
}