Feb, 2024

LinkSAGE: 使用图神经网络优化工作匹配

PDF
TL;DR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。
graph neural networkspersonalized job matchinglinksageencoder-decoder gnn modelmember engagement
发现论文，激发创造
  • LiGNN：领英上的图神经网络

    LinkedIn 在大规模部署的 Graph Neural Networks Framework 中提出了 LiGNN，通过一系列算法改进如图形结构设计、冷启动解决方案和邻居采样优化，实现了在 LinkedIn 图表上大规模训练的速度提升，并总结了在实际部署中所获得的经验教训和改进成果。

    Feb, 2024

  • LightSAGE：Shopee 广告推荐中的大规模商品检索的图神经网络

    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。

    Oct, 2023

  • 用于用户身份关联的图神经网络

    本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

    Mar, 2019

  • 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

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 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

  • 路径感知孪生图神经网络用于链接预测

    本文提出了一种基于路径感知的孪形图神经网络（PSG）来进行链路预测任务，结合多任务图神经网络框架并采用自监督对比学习，能够同时捕捉节点内容和行为，实验结果在两个数据集上表现出卓越的性能。

    Aug, 2022

  • GENIE：用于链接预测的图神经网络水印技术

    使用一种名为 GENIE 的水印方案针对图形神经网络（GNN）的链接预测任务进行了研究，该方案在多个模型架构和真实世界数据集上进行了广泛评估，并证明了抵御多种水印去除技术和模型提取攻击的鲁棒性，同时还经过了所有权盗版攻击的验证。

    Jun, 2024

  • 使用子图草图的图神经网络进行链接预测

    提出了一种名为 ELPH 的全图 GNN 和一种高度可扩展的模型 BUDDY，前者通过哈希传递子图草图以近似 SGNN 中的关键组件，后者使用特征预计算来规避 GPU 内存限制，而且两者在标准 LP 基准测试上性能均优于现有的 SGNN 模型

    Sep, 2022

  • 基于图神经网络的启发式学习：一种用于链接预测的统一框架

    利用统一矩阵公式和 HL-GNN 方法，本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型，通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。

    Jun, 2024