5-4 图机器学习在蚂蚁推荐业务中的应用

AI智能总结

支付宝平台存在大量推荐场景，如基金推荐、消费券推荐和腰封推荐等。然而，这些场景普遍面临数据稀疏、新用户目标低活、用户自身行为数据有限等问题，导致推荐效果不佳。

知识图谱在推荐中的应用挑战：知识图谱包含大量关系，但并非所有关系都 полезен；不同用户对知识图谱中节点的偏好不同。
现有方法局限性：基于嵌入的模型无法解决知识图谱蒸馏和精炼问题；基于路径的模型依赖手工设计，无法处理用户偏好的多样性；基于 GCN 的模型只考虑同边节点，忽略了与目标节点的独立性。
提出的模型：KCAN 模型包含知识图谱嵌入层、知识图谱蒸馏模块、知识图谱精炼模块和 MLP 预测模块。
- 知识图谱嵌入层：使用 TransH 算法学习实体和关系表示，保留拓扑结构。
- 知识图谱蒸馏模块：通过知识 aware neighbor aggregator 和 knowledge aware attention 机制，对知识图谱进行蒸馏。
- 知识图谱精炼模块：使用 conditional-attention based aggregator 和 conditional attention 机制，根据用户偏好对知识图谱进行精炼。
- MLP 预测层和优化：使用 MLP 进行预测，并交替优化知识损失和目标损失。
实验结果：在基金推荐数据集上，KCAN 模型在 Top-K 推荐和 CTR 预测任务上分别提升了 2%~10% 和 2%~6%。在线 A/B 测试也验证了模型的有效性。
消融实验：消融实验结果表明，KCAN 模型的各个模块都对推荐性能有显著贡献。

动机：营销运营人员难以理解用户意图，导致内容创作效率低下。
挑战：传统主题模型无法处理低活跃度用户和长尾物品的意图挖掘。
方法：S2TM 模型结合图神经网络和 Skip-gram 模型，分别对用户意图和意图-物品分布进行编码。
- 用户意图编码：使用图神经网络对用户行为进行编码，并使用 logit-normal 分布近似用户意图的先验分布。
- 意图-物品分布编码：使用 Skip-gram 模型学习物品的语义嵌入，并使用负采样方法估计意图-物品分布。
实验结果：在电商数据集上，S2TM 模型在低活跃度用户和长尾物品的意图挖掘任务上取得了显著效果。

背景：社交网络中的好友浏览行为存在相关性，但活跃度用户和非活跃度用户的好友数量分布不同。
问题：如何向非活跃度用户推荐个性化物品。
模型：CD-GNN 模型通过域不变层和 GNN 层，对活跃度用户和非活跃度用户进行特征空间对齐，并迁移知识。
- 域不变层：学习域不变嵌入，解决非活跃度用户特征稀疏问题。
- GNN 层：在社交关系图上进行信息传播，学习用户表示。
实验结果：在线 A/B 测试结果表明，CD-GNN 模型能够有效提升非活跃度用户的推荐效果。