【KDD 2020】M2GRL: 一个多任务多视角图表示学习框架的Web-scale的推荐系统，M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems

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

摘要： 将图表示学习与多视图数据(边信息)相结合进行推荐是当前行业的发展趋势。现有的方法大多可归纳为多视图表示融合;它们首先构建一个图，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)工业中的多视图数据丰富且信息量大，可能超过单个矢量的能力;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)，用于从多视图图中学习节点表示。M2GRL为每个单视图数据构造一个图，从多个图中学习多个独立的表达式，并执行与模型跨视图关系的对齐。M2GRL选择了多任务学习范式来联合学习视图内表示和跨视图关系。M2GRL运用同方差不确定性自适应调整训练过程中任务的减重。我们在淘宝上部署了M2GRL，并对它进行了570亿例的培训。根据离线度量和在线A/B测试，M2GRL显著优于其他最先进的算法。在淘宝上对多样性推荐的进一步探索表明，利用M2GRL产生的多重表示是有效的，我们认为这是一个很有前途的方向，为各种不同重点的行业推荐任务。