M2GNN：基于元路径和多兴趣聚合的标签跨领域推荐图神经网络
摘要：跨领域推荐（CDR）是缓解数据稀疏问题的有效方法。基于内容的CDR是最有前景的分支之一，因为大多数产品可以用一段文本来描述，特别是在冷启动用户或项目缺乏交互时。然而，还有两个关键问题尚未得到充分探讨：（1）从内容建模的角度来看，在实际的推荐系统中，足够的长文本描述通常很少，较轻量级的文本特征，例如一些关键词或标签，更容易获取，这在现有方法中被不正确地建模。（2）从CDR的角度来看，不是所有的跨领域兴趣都对推断对领域内兴趣有帮助。由于领域特定的特征，一些信号有益于源领域的推荐，但对目标领域的推荐有害。因此，如何提炼有用的兴趣至关重要。为了解决以上两个问题，我们提出了一种元路径和多兴趣聚合图神经网络（M2GNN）。具体而言，为了建模基于标签的内容，我们构建了一个异构信息网络，以保持所有领域中用户、物品和标签之间的语义相关性。元路径模式根据领域特定的知识预先定义，每个领域有一个元路径。通过GNN学习用户表示，使用分层聚合框架进行领域内元路径聚合首先过滤掉微不足道的标签，领域间元路径聚合进一步过滤掉无用的兴趣。离线实验和在线A/B测试表明，M2GNN相比于最先进的方法和当前大众点评的工业推荐系统都取得了显著的提升。进一步的分析表明，M2GNN提供了可解释的推荐。
作者：Zepeng Huai and Yuji Yang and Mengdi Zhang and Zhongyi Zhang and Yichun Li and Wei Wu
论文ID：2304.07911
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-04-18