美文网首页图学习
20200509-论文-图-Metapath-guided He

20200509-论文-图-Metapath-guided He

作者: logi | 来源:发表于2020-05-09 16:15 被阅读0次

    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:

    1. 传统推荐是user item二元组,而词场景是user item query 三元组;
    2. 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。

    1. 输入为<user, item, query>三元组;
    2. 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;
    3. 通过metapath 学习user和query的emb(类似graphsage的agg阶段)?
    4. 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
    image.png

    metapath 异质图学习

    1. 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;
    2. 然后根据元路径UIQ得到邻居节点 N_{U I Q}^{1}\left(u_{2}\right)=\left\{i_{1}, i_{2}\right\}, N_{U I Q}^{2}\left(u_{2}\right)=\left\{q_{1}, q_{2}, q_{3}\right\}
    3. 聚合二阶邻居的嵌入来得到一阶邻居的嵌入。如下图左边q_1聚合得到i_1,q_2,q_3聚合得到i_2
    4. 类似地,聚合二阶邻居到一阶。

    reference

    https://blog.csdn.net/byn12345/article/details/104975993/

    相关文章

      网友评论

        本文标题:20200509-论文-图-Metapath-guided He

        本文链接:https://www.haomeiwen.com/subject/pavknhtx.html