意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation

Metapath-guided Embedding method for Intent Recommendation(MEIRec)
“搜索栏关键词推荐”意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation_第1张图片
静态属性数据+交互数据
基于用户历史行为推荐,不是相似的历史查询;无需输入
三元组:user,item,query;动态数据
异构图神经网络,metapath-guided neighbours聚合

HIN:network schema和metapath:
意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation_第2张图片
整体结构如下:
意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation_第3张图片
基于term lexicon(词典):AliWS(Alibaba Word Segmenter)
进行一致项嵌入,减少参数。
意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation_第4张图片metapath-guided information aggregation:
意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation_第5张图片
对于用户:
UIQ:q1->i1,q2,q3->i2,i1,i2->u2UIQ
u2=g(u2UIQ,u2UQI)
g是聚合函数,论文中采用的是简单平均。
序列数据,采用RNN/LSTM
对于查询,同理,但非序列,采用CNN

与静态特征一起经过MLP。
user i和query j之间计算得分:
在这里插入图片描述
损失函数:
在这里插入图片描述
复杂度:在这里插入图片描述
离线实验中对数据天数、数据量、不同的聚合方式、不同的metapath及neighbour的数目都进行了测试。
线上实验中提高了CTR。

**

输入 0:81:wide_feat_list,42 static features of user + 39 static features query 81:276:user_item_seq_feat,用户单击日志,195= 1513,13=10(item_terms)+1(item_topcate X)+1(item_leafcate X)+1(time_delta X) — rnn —> user_item_term_lstm_output (user_word_embedding) 276:292:query_feat, 16=10(query length)+3(query topcate length X)+3(query leafcate length X),— mean —>query_w2v_sum (query_embedding) 292:462:user_query_seq_feat,用户搜索日志,与user_item_seq_feat同理(user_query_seq_embedding) 462:562:query_item_query_feat,query 引导的 item 对应的 query 的 term avg – cnn/avg—> (query_item_query_embedding) 562:662:user_query_item_feat,n10,10为 query 相应的 item 的term id,reduce mean 之后再根据 query 的顺序用rnn聚合(user_item_query_embedding) 662:812:user_item_query_feat,n10,10为 item 相应的 query 的term id,reduce mean 之后再根据 item 的顺序用rnn聚合(user_query_item_embedding) 812::query_user_item_feat,点击 query 的 user 点击过的 item 的 term avg — cnn/avg—> (query_user_item_embedding) 中间层 wide_feat_list — wide_full_connect —>wide_hidden_layer1 (64 维) embedding — tf.concat — tf.nn.dropout (647 维)—单层全链接—> qu_term_concat(64 维) [wide_feat_list, qu_term_concat] — tf.concat(64*2维) — 两层全链接(128-64-1) — > global_res loss 和优化 loss = 交叉熵+对全链接w的L2正则化 优化器 adam,带 clip_by_global_norm(global 的梯度阶段)、exponential_decay(梯度衰减)、ExponentialMovingAverage(平滑)**

你可能感兴趣的:(意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation)