【KDD2020-阿里巴巴】M2GRL-多任务多视角图表示学习的Web级推荐系统

将图表示学习与多视图数据(边信息)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都引起了关注:1)多视图数据在工业中是丰富的，信息量大，可能超过单个向量的容量，2)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)来学习网络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的性能显著优于其他最先进的算法。淘宝多样性推荐的进一步探索表明了利用所产生的多种表示的有效性，我们认为这对于不同焦点的行业推荐任务是一个很有前景的方向。