【KDD2020-阿里】多任务多视角图表示学习的推荐系统

2020 年 7 月 2 日 专知

论文：M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems

地址：https://www.zhuanzhi.ai/paper/68ea1faf8552fd81d0d17c9a8c916040

摘要

将图表示学习与多视图数据（附加信息）相结合进行推荐是行业发展的趋势。现有的方法大多可以归类为多视图表示融合：他们首先构建一个图，然后将多视图数据集成到图中每个节点的一个紧凑表示中。然而，这些方法在工程和算法方面会带来一些问题：

多视图数据在工业界是丰富的，信息量大，可能超过单个向量节点的容量；
由于多视图数据往往来自不同的分布，可能会引入归纳偏差。

在本文中，我们使用一种多视图表示对齐方法来解决这个问题。特别地，我们提出了一个多任务多视图图表示学习框架（M2GRL）来学习大规模推荐系统的多视图图的节点表示。M2GRL为每个单视图数据构造一个图，从多个图中学习多个单独的表示，并对跨视图关系进行对齐。M2GRL选择多任务学习范式，共同学习视图内表示和跨视图关系。此外，M2GRL利用同方差不确定性自适应调整训练任务的权重损失。我们在淘宝上部署了M2GRL，并在570亿个例子上训练它。根据离线指标和在线A/B测试，M2GRL的效果显著优于当前SOTA的算法。淘宝多样性推荐的进一步探索表明了利用M2GRL所产生的多种表示的有效性，本文认为这对于不同侧重点的行业推荐任务是一个很有前景的方向。

问题定义

本文的任务是在电商场景中如何学习高质量的item表示。根据item特征的分类，我们为item生成多种表示。具体来说，本文中使用了三种视图的数据：user-item互动数据视图；item分类数据视图；item所属shop数据视图。

图的构建：根据用户行为序列，首先分别为上述三种视图构造三个图（item图、分类图以及shop图）。以item图为例，如果在一个用户的行为序列中的两个item是相邻的，我们便认为两个item是相连的。分类图和shop图也是类似的构建思路。

节点序列采样：用于生成训练样本节点序列常见的方法是随机游走以及相应的变种。本文通过从用户行为序列中抽取session来生成训练样本，主要的步骤：

数据清理。我们注意到用户有的时候会点击一个item，然后迅速回退到前一个页面也就是说用户对之前点击的item并不感兴趣。因此我们将停留时间不超过2s的item进行移除；
Session的分拆与合并。有的时候用户的session可能长达几个小时（后台运行），我们通过记录用户打开和退出淘宝APP的时间对于空闲间隔时间超过一小时的session进行分拆，并且对于空闲间隔时间在30分钟内的session进行合并。

M2GRL总体框架

M2GRL包含两种类型的任务：视图内任务和视图间任务。视图内任务学习单个视图内的节点表示，视图间任务则针对不同视图的图关系进行建模。