Графовые нейронные сети в рекомендациях / ML Meetup Wildberries, Александр Тришин
Summary
TLDRВ данной презентации Александр рассказывает о графовых нейронных сетях (ГНС) и их применении в системах персонализированных рекомендаций. Он объясняет, как графовые структуры помогают моделировать взаимодействия между пользователями и товарами, а также обсуждает архитектуру ГНС, методы агрегации информации и обучающие методологии. Основное внимание уделяется проблемам, связанным с медленной сходимостью и смещением в сторону популярных товаров, и решениям, которые были реализованы для улучшения разнообразия рекомендаций. Эксперименты показали положительные результаты, подтверждающие эффективность предложенной модели в увеличении разнообразия выдачи.
Takeaways
- 😀 Графовые нейронные сети (ГНС) используются для улучшения персонализированных рекомендаций, позволяя учитывать больше интересов пользователей.
- 😀 В основе ГНС лежит структура графа, где вершины представляют собой пользователей или товары, а рёбра отображают их взаимодействия.
- 😀 Существует два основных типа графов: граф пользователей-товаров и граф товаров-товаров, каждый из которых имеет свои преимущества и недостатки.
- 😀 Конволюционные графовые сети используют операции агрегации для обработки информации о соседних вершинах и обновления эмбеддингов.
- 😀 Модели обучаются с использованием парной потери (например, BPR) и негативного семплирования, что помогает улучшить качество рекомендаций.
- 😀 Одна из основных проблем — медленная сходимость моделей, вызванная равномерным семплированием негативных примеров.
- 😀 Для повышения скорости сходимости рекомендуется неравномерное семплирование негативных примеров на основе популярности товаров.
- 😀 Популярность товаров может привести к смещению в рекомендациях, когда модель начинает рекомендовать только самые популярные позиции.
- 😀 Модель L-GCN (графовая свёрточная сеть) показывает высокую производительность с небольшим количеством обучаемых параметров.
- 😀 В результате тестирования было замечено увеличение разнообразия рекомендаций при небольшом уменьшении релевантности, что подтвердило эффективность графовых сетей.
Q & A
Кто выступал в качестве докладчика и о чем он говорил?
-Докладчиком был Александр, который рассказал о графовых нейронных сетях и их использовании в персональных рекомендациях.
Какие типы графов обсуждались в презентации?
-Обсуждались два основных типа графов: графы пользователей и товаров (user-item graphs) и графы товаров (item-item graphs).
Что такое графовая нейронная сеть и как она работает?
-Графовая нейронная сеть (GNN) использует операции свертки для агрегирования информации из соседних вершин графа, применяя функцию агрегации и обновления векторов признаков.
Какие проблемы были выявлены при использовании графовых сетей в рекомендациях?
-Основные проблемы включали медленную сходимость и сильное смещение в сторону популярных товаров, что влияло на разнообразие рекомендаций.
Как докладчик планировал решить проблему медленной сходимости?
-Предлагалось использовать неравномерную выборку негативных примеров, пропорционально популярности товаров, чтобы ускорить сходимость модели.
Как изменили функцию агрегации, чтобы улучшить рекомендации?
-Функцию агрегации адаптировали так, чтобы снизить вес самых популярных товаров при обновлении векторов признаков, нормируя их с меньшим коэффициентом.
Какие результаты были получены в результате тестирования графовой нейронной сети?
-Тестирование показало увеличение разнообразия выдачи рекомендаций при небольшом снижении общей точности в сравнении с предыдущими моделями.
Что такое функция потерь BPR и как она используется в обучении графовых сетей?
-Функция потерь BPR (Bayesian Personalized Ranking) используется для обучения графовых сетей на основе парных примеров, где положительные примеры выбираются как непосредственные соседи.
Как докладчик оценивал эффективность рекомендаций?
-Эффективность оценивалась по метрикам разнообразия и качества рекомендаций, с акцентом на то, как изменились взаимодействия пользователей с рекомендованными товарами.
Какое количество пользователей и товаров было в модели?
-Модель имела более 60 миллионов пользователей и значительно меньшее количество товаров, которые использовались в взаимодействиях за последний год.
Outlines
![plate](/images/example/outlines.png)
Этот раздел доступен только подписчикам платных тарифов. Пожалуйста, перейдите на платный тариф для доступа.
Перейти на платный тарифMindmap
![plate](/images/example/mindmap.png)
Этот раздел доступен только подписчикам платных тарифов. Пожалуйста, перейдите на платный тариф для доступа.
Перейти на платный тарифKeywords
![plate](/images/example/keywords.png)
Этот раздел доступен только подписчикам платных тарифов. Пожалуйста, перейдите на платный тариф для доступа.
Перейти на платный тарифHighlights
![plate](/images/example/highlights.png)
Этот раздел доступен только подписчикам платных тарифов. Пожалуйста, перейдите на платный тариф для доступа.
Перейти на платный тарифTranscripts
![plate](/images/example/transcripts.png)
Этот раздел доступен только подписчикам платных тарифов. Пожалуйста, перейдите на платный тариф для доступа.
Перейти на платный тарифПосмотреть больше похожих видео
![](https://i.ytimg.com/vi/qZFU-UI3HpA/maxresdefault.jpg)
Электродвижущая сила индукции. Самоиндукция. Индуктивность | Физика 11 класс #5 | Инфоурок
![](https://i.ytimg.com/vi/ORrazI7PVFY/hq720.jpg)
ИЗУЧИТЕ ГЛАВНУЮ НЕЙРОСЕТЬ МИРА от Б до Ю
![](https://i.ytimg.com/vi/O7Pf1x80Pr0/maxresdefault.jpg)
Тир лист сборок полей сражений. Обзор меты на начало 2025 года
![](https://i.ytimg.com/vi/MfielrsLdmk/hqdefault.jpg?sqp=-oaymwEXCJADEOABSFryq4qpAwkIARUAAIhCGAE=&rs=AOn4CLCM1YlcI2iZQdYO3b_ZSxET0W0bdA)
Теория сетей: 6. Топология сети
![](https://i.ytimg.com/vi/-tFr2n4u-TM/hq720.jpg?v=616087ac)
ArchiCAD 25 - TWINMOTION 2021.1.4. Где скачать плагин, как импортировать и работать.
![](https://i.ytimg.com/vi/h6xmQO3WwSc/hq720.jpg)
Продажа мебели на Авито I Как продавать мебель на Авито I Продвижение кухонь на Авито
5.0 / 5 (0 votes)