IntentGC-A Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation-KDD19

一、摘要

网络嵌入的显著进步导致了最先进的推荐算法。然而，网站上的用户-物品交互（即显式偏好）的稀疏性仍然是预测用户行为的一个很大的挑战。

虽然，已经有研究利用了一些辅助信息（如用户间的社会关系）来解决这个问题，但现有的丰富的异构辅助关系仍未得到充分利用。此外，以往的工作依赖于线性组合的正则化器，并优于参数量大导致调参代价高昂。

在这项工作中，我们从常见的用户行为和项目信息中收集了丰富的关系，并提出了一个名为IntentGC的新框架：

• IntentGC可通过GCN来建模显式偏好和异构关系；
• 除了建模异质性的能力外，IntentGC还可以通过神经网络在非线性意义上自动学习不同关系的重要性；
• 为了将IntentGC应用于web规模的应用程序，我们设计了一个更快的图卷积模型，名为“IntentNet”，避免了不必要的特性交互；

在阿里巴巴的两个大规模真实数据集上的经验实验和在线A/B测试证明了IntentGC优于最先进的算法。

二、内容

基于异构图神经网络的推荐算法，ppt笔记