Building Recommendation Systems Using Graph Neural Networks

Summary

本视频介绍了如何使用图神经网络（GNN）构建推荐系统，重点讲解了在Condonas科技实验室中的应用。通过图机器学习，我们可以基于图数据来建立节点和边的关系，并通过消息传递和聚合函数来更新节点表示。演讲者展示了如何利用图神经网络优化个性化推荐，特别是在新闻通讯推荐场景中，通过预测用户未来可能感兴趣的文章链接。此外，介绍了数据处理、模型训练、候选生成和推荐评分等整个推荐流程，旨在提升用户的点击率和个性化体验。

Takeaways

• 😀 图神经网络（GNN）是处理图数据的一种机器学习方法，通过节点和边的关系来学习节点、边或整个图的嵌入表示。
• 😀 图通常由节点（例如用户、文章、作者）和边（表示节点之间的关系）组成，边还可以附带特征向量。
• 😀 图可以是同质的（所有节点和关系类型相同）或异质的（节点和关系类型不同）。在多重图中，一个节点之间可以有多个关系。
• 😀 图神经网络的核心是消息传递，通过邻域信息更新节点的表示。消息传递包括收集邻居节点的信息、聚合这些信息并更新节点的状态。
• 😀 消息函数通过源节点、目标节点及边的表示来生成消息，聚合函数则将来自邻居的消息进行汇总（例如通过求和）。
• 😀 聚合函数需要保证输出向量长度固定，并且对节点的顺序具有不变性，即无论节点的顺序如何，聚合后的结果保持一致。
• 😀 在GNN中，更新函数结合了节点的初始表示和聚合后的邻居表示，可以通过线性投影来更新节点的表示。
• 😀 在Condonas公司，'Reckon'项目使用GNN来优化个性化推荐，尤其是在新闻简报推荐中，目标是提高点击率（CTR）。
• 😀 在'Reckon'系统中，数据被表示为异质图，包括用户、文章、作者和用户人口统计信息等多种类型的节点及其关系。
• 😀 推荐问题被转化为链路预测问题，旨在预测用户未来可能喜欢的文章，使用GNN来更新节点表示并预测用户与文章之间的潜在链接。
• 😀 冷启动问题（即没有历史交互的新用户或新文章）通过使用用户的人口统计信息和文章的作者信息作为额外的节点类型来解决。
• 😀 推荐系统的模型架构包括一个多层编码器（处理不同关系的多个编码器）和一个解码器，解码器通过计算用户和文章之间的链接概率来生成推荐。

Q & A

什么是图神经网络（GNN）？

图神经网络（GNN）是一种利用图结构数据进行学习的深度学习方法。它通过节点之间的消息传递机制来学习节点和图的表示，广泛应用于推荐系统、社交网络分析等领域。

GNN中的‘消息传递’是什么意思？

‘消息传递’指的是图中一个节点从其邻居节点收集信息，并通过聚合函数整合这些信息，更新自身的表示。这一过程帮助节点在图中传递和共享信息，促进学习任务的完成。

GNN如何处理不同类型的图（如同质图和异质图）？

同质图是所有节点和边具有相同类型的图，而异质图则包含多种类型的节点和边。在处理异质图时，每种节点和边的类型都可能有不同的学习表示，需要使用适当的编码器来学习这些不同关系的表示。

Reckon项目如何运用图神经网络进行推荐？

Reckon项目利用图神经网络处理用户与文章、作者与文章等多种关系，构建异质图，通过学习用户与文章之间的连接关系来进行个性化的推荐。

Reckon项目是如何解决冷启动问题的？

通过将用户的基础数据（如人口统计信息）与作者信息分别作为节点，Reckon可以预测新用户和新文章之间的关系，从而缓解冷启动问题，尤其是在没有足够历史交互数据的情况下。

在图神经网络中，如何生成节点的表示？

图神经网络通过节点之间的消息传递、聚合和更新过程来生成节点的表示。每个节点从其邻居节点接收信息，聚合这些信息，并更新自己的表示，最终得到用于下游任务的节点表示。

图神经网络中的聚合函数和更新函数分别是做什么的？

聚合函数用于从邻居节点收集信息并生成一个固定长度的向量表示，而更新函数则结合节点自身的初始状态与聚合后的信息，生成节点的最终表示。

Reckon项目的推荐系统如何评估候选用户-文章对？

Reckon项目通过计算每对用户和文章的链接评分，来预测用户是否会与某篇文章发生互动。评分的过程涉及将用户与文章的表示拼接后输入到多层感知机中进行二分类任务。

为什么在Reckon的架构中使用多个编码器？

在Reckon的架构中，每种关系（如用户-文章、文章-作者、用户-人口统计）都需要独立的编码器来学习对应的节点表示。多个编码器可以捕捉到不同类型关系的特征，从而提高推荐的准确性。

如何根据Reckon模型的输出生成推荐？

模型的输出是每个候选用户-文章对的评分。通过这些评分，可以对候选文章进行排序，最终为用户推荐最可能感兴趣的文章。