背景
主要用于搜索意图推荐,即根据用户的历史query和浏览行为,在搜索框默认为用户推荐query。
image.png
特点和问题
此paper的方法与传统推荐的不同:
- 传统推荐是user item二元组,而词场景是user item query 三元组;
- 用户的意图动态性强,变化快
本文的解决的办法
构建异构图(HIN),使用matepath学习user item query的emb后再输入到MLP 中学习三者结合的点击率
HIN(Heterogeneous information network)
构建异构图并利用matapath的方式得到行为序列
image.png
MeiRec 异质GNN
作者构建了MeiRec框架,用于学习异质图。
- 输入为<user, item, query>三元组;
- term embedding: 将item和query分词得到term,每个term对应emb再sum得到相应的emb,这样做大大减少了特征的稀疏性;
- 通过metapath 学习user和query的emb(类似graphsage的agg阶段)?
- 将图学习得到的emb和其他静态特征输入到MLP预测user会搜索特定query的点击率
metapath 异质图学习
- 首先根据元路径UIQ聚合邻居信息:先使用统一的term embedding获得queries的初始嵌入;
- 然后根据元路径UIQ得到邻居节点
- 聚合二阶邻居的嵌入来得到一阶邻居的嵌入。如下图左边聚合得到,聚合得到;
- 类似地,聚合二阶邻居到一阶。
网友评论