知识卡片
GraphTR微信标签图召回
GraphTR(微信,2020)展示图算法在“场景迁移 + 多任务 + 集成”上的应用。背景:微信视频下挂若干 tag,需个性化排序展示并引导进 tag 频道沉浸观看;但用户点 tag 行为极稀疏、训练不足,故跨域用丰富的“用户-视频”交互去学 tag Embedding。
做法:1)建异构图,节点含用户、视频、tag、媒介四类;因用户多且稀疏,按性别/年龄/地点分成 8.4 万组“用户群”替代用户。边有视频-视频、用户群-视频、视频-tag、tag-tag 四类。2)用 HFIN(异构域交叉神经网络)融合 Transformer、GraphSage、FM 三种抽取器:异构特征层先同类型邻居特征相加再拼接做首次更新;多域交互层分别用 GraphSage(最粗、不分区)、FM(中等、域间两两交叉)、Transformer(最细、域内 self-attention)聚合,结果 concat。3)目标函数只在视频-视频节点间优化(视频点击丰富、噪声小),但训练时已聚合 tag Embedding,优化达成后 tag Embedding 也最优。线上把 tag Embedding 加权平均得用户 Embedding,找最近 Top-k tag 展示。该模型业务主导、复杂度高、上线成本高。关联 [[GraphSage图采样聚合]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 个性化召回层样本选择和模型选择 7.4 基于图网络的召回 · 查看原书依据
简单点说,HFIN融合Transformer、Graph Sage和FM特征抽取器,得到每个节点的Embedding表示
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第7章《个性化召回层样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/78.html;src-045)
- 结论依据:原文说明 GraphTR 用异构图+HFIN(Transformer/GraphSage/FM集成)跨域学 tag Embedding、只在视频节点优化,支撑本卡。
- 原始内容:简单点说,HFIN融合Transformer、Graph Sage和FM特征抽取器,得到每个节点的Embedding表示