Oct, 2023

LightSAGE：Shopee 广告推荐中的大规模商品检索的图神经网络

PDF
TL;DR在 Shopee 的大规模电子商务商品检索中，我们采用了图神经网络（GNN）及其简单但创新且有影响力的技术，包括图构建、建模和处理数据偏斜，以提高离线评估和在线 A/B 测试，并将模型部署到 Shopee 推荐广告系统的主要流量中。
graph neural networkitem retrievale-commercegraph constructiondata skewness
发现论文，激发创造
  • 用于 Web 规模推荐系统的图卷积神经网络

    本文描述了一种在 Pinterest 上开发和部署的大规模深度推荐引擎 PinSage，它结合了高效的随机游走和图卷积来生成节点嵌入，并且使用数据驱动方法对其进行了训练。与先前的方法相比，PinSage 可以使计算更加高效并在离线指标、用户研究和 A/B 测试中生成更高质量的推荐。

    Jun, 2018

  • 社交推荐的图神经网络

    本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

    Feb, 2019

  • LinkSAGE: 使用图神经网络优化工作匹配

    我们提出了 LinkSAGE，这是一个创新的框架，将图神经网络（GNNs）集成到大规模个性化求职匹配系统中，旨在解决 LinkedIn 广泛专业网络的复杂动态。LinkSAGE 的关键创新之一是其训练和服务方法，它有效地将异构，演化图上的归纳图学习与编码器 - 解码器 GNN 模型相结合。LinkSAGE 在多个在线 A/B 测试中得到验证，展示了会员参与度、相关匹配和会员保留方面的显着改进，证实了其普适性和实际影响。

    Feb, 2024

  • 自监督图学习用于推荐

    本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。

    Oct, 2020

  • LightGCL: 简单而有效的图形对比学习用于推荐

    本文提出了一种新的图对比学习范式 LightGCL，基于奇异值分解对图的对比增强进行单一约束结构的调整，在推荐系统领域具有显著的性能优势和鲁棒性。

    Feb, 2023

  • 推荐系统中的图神经网络：综述

    本研究综述了基于图神经网络的推荐系统在最近的研究工作中的应用。针对不同类型的信息和推荐任务，我们提供了 GNN-based 推荐模型的分类。 进一步分析了 GNN 在不同类型数据上应用时面临的挑战，并讨论了现有工作如何解决这些挑战。我们总结了相关的论文及其开源实现。

    Nov, 2020

  • 线性时间图神经网络可扩展的推荐系统

    在信息爆炸时代，推荐系统是为用户提供个性化推荐的重要工具。本文提出了一种线性时间图神经网络（LTGNN）来扩展基于 GNN 的推荐系统，以实现与经典 MF 方法相当的可扩展性，同时保持 GNN 强大的表达能力以获得更准确的预测。通过大量实验证明了所提算法的有效性和可扩展性。

    Feb, 2024

  • SmartSAGE: 使用存储处理架构训练大规模图神经网络

    本文针对大规模图神经网络 GNN 训练所需的巨大存储容量和内存限制的问题，提出了一种基于存储器的处理（ISP）架构的解决方案 SmartSAGE，使 GNN 训练系统具有高容量存储和高性能。

    May, 2022

  • 基于知识的耦合图神经网络的社交推荐

    该研究提出了一种知识感知的耦合图神经网络模型，用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题，实验结果表明该方法在多种情境下有效益。

    Oct, 2021

  • GraphSAIL: 用于推荐系统的图结构感知增量学习

    本文提出了一种基于图神经网络的推荐模型增量学习框架 GraphSAIL，可以显著减少计算时间并提供更频繁的推荐更新，同时保留用户 / 物品的长期偏好，并通过在训练期间显式地保留每个节点的局部和全局结构以及自我信息来实施图结构保护策略。在两个公共数据集上的实验表明，相对于其他增量学习技术，GraphSAIL 可以显著提高推荐系统的性能。此外，在大规模工业数据集上，该框架也得到了验证。

    Aug, 2020