蚂蚁推荐系统中的图学习应用
背景
蚂蚁集团拥有丰富的推荐场景，包括基金推荐、消费券推荐、支付宝推荐等。这些场景中用户行为数据较为稀疏，尤其是新用户和低活跃度用户的数据较少。因此，如何利用用户与项目之间的复杂关系（如社交关系、文本语义关系）来提高推荐效果成为关键挑战。
基于知识图谱的推荐
- 知识图谱构建：包括用户-项目图、稀疏的新用户、侧信息（如属性、上下文、图片）等。
- 知识图谱蒸馏：通过算法提取有用的图谱关系，避免不必要的计算。
- 知识图谱精炼：根据不同用户对不同节点的不同偏好进行个性化处理。
模型设计
- 知识图嵌入层：使用TransH模型学习实体和关系表示，保留拓扑结构。
- 知识感知图卷积网络：引入知识感知注意力机制，根据特定目标进行节点更新。
- 知识图精炼模块：采用条件注意力聚合器，根据目标节点的重要性进行加权。
- MLP预测层：通过多层感知机进行最终预测，并优化损失函数。
实验结果
- 性能评估：通过Top-K推荐和点击率预测（AUC值）进行评估，结果显示改进显著。
- 在线测试：实际应用中也显示出明显的性能提升。
基于社交和文本的推荐
- 意图挖掘：通过社交网络和文本语义增强的主题模型理解用户意图。
- 模型挑战：难以处理行为稀疏的用户和长尾项目的意图估计。
- 解决方案：采用图神经网络和skip-gram模型进行用户意图和项目意图的编码。
结论
通过图学习方法，蚂蚁集团成功地提升了推荐系统的性能，特别是在处理稀疏行为数据和个性化推荐方面表现出色。这些方法不仅提高了推荐的准确性和用户体验，还为未来的推荐系统提供了新的思路和技术手段。
