【WWW2021】基于图神经网络的社交好友排序

图神经网络(GNNs)最近在图学习方面取得了重大进展。尽管GNN具有丰富的表示能力，但对于大规模的社会建模应用来说，GNN的开发仍然相对不足。在线社交平台中普遍存在的一种应用是好友推荐:平台向用户推荐其他候选用户，以提高用户的联系性、留存率和参与度。然而，在大型社交平台上建模这样的用户-用户互动带来了独特的挑战: 这些图表通常有重尾度分布，其中很大一部分用户是不活跃的，并且结构和参与信息有限。此外，用户与不同的功能进行交互，与不同的组进行交流，并具有多方面的交互模式。我们研究了用于好友推荐的GNN应用，就我们所知，为这项任务提供了GNN设计的首次研究。为了充分利用平台内异构用户行为的丰富知识，我们将好友推荐设计为具有多模式用户特征和链接传播特征的多层面好友排名。我们提出了一个神经结构，GraFRank，它是精心设计的，从多种用户特征形态和用户-用户交互中学习表达用户表示。具体而言，GraFRank通过模态特定的邻居聚合器处理模态同质性的异质性，并通过交叉模态关注学习非线性模态相关性。我们在两个数百万用户的社交网络数据集上进行了实验，这些数据集来自领先和广泛流行的移动社交平台Snapchat，在候选检索(30%的MRR)和排名(20%的MRR)任务上，GraFRank的表现优于一些最先进的方法。此外，我们的定性分析表明，低活跃度和低级别用户的关键人群获得了显著收益。