知识图谱在美团推荐场景中的应用 - 美团-NLP中心-知识计算 杨玉基

美团知识图谱在推荐场景中的应用总结

一、美团知识图谱介绍

• 构建背景：围绕吃喝玩乐，构建生活娱乐领域超大规模的知识图谱，赋能商家并改进用户体验。
• 数据维度：包含11亿+商品、2亿+店菜、100万个场景标签、70亿累计用户评价、3,000万全球商家等数据。

二、美团推荐场景介绍

• 特点：可解释性需求强烈、领域多（吃、住、行、游、购、娱）、数据稀疏、时空场景复杂。
• 挑战：多领域差异大、数据稀疏问题、时空场景复杂性、LBS属性限制。

三、美团推荐中的知识应用

1. 图谱结构化信息展示

• 应用方式：通过商品筛选项、商户标签展示等方式，将图谱结构化信息应用于推荐场景。
• 图谱路径：利用图谱路径引导推荐，提高召回率和交互行为，降低无结果率。

2. 基于图谱的知识推理应用

• 推荐理由：通过图谱推理提供推荐理由，增强推荐的可解释性。
• 商品类目构建：利用图谱构建商品类目，优化推荐效果。

3. 知识增强的用户多兴趣建模

• 问题：现有方法忽视item语义信息，兴趣建模不精细，可解释性不强。
• 解决方案：提出HGNNDualMemoryNetworks模型，利用记忆网络存储items和用户的兴趣分布。
• 实验结果：模型在推荐任务中表现优于基线模型，兴趣建模更精细且可解释性更强。

4. 基于图表征的推荐

• 数据稀疏问题：针对数据稀疏问题，采用单目标跨域学习方法。
• 应用场景：内容推荐场景和休闲娱乐推荐场景，通过跨域学习优化召回和排序效果。

四、总结与展望

• 核心观点：知识图谱可直接用于推荐中的展示引导和结构召回，通过表征更容易嵌入下游任务，解决领域差异大和数据稀疏问题。
• 研究结论：知识图谱在美团推荐场景中有效提升了推荐效果和可解释性，未来将进一步优化推荐场景建模、数据稀疏优化等方面。
• 展望：推荐场景建模（用户多兴趣、物品多模态、场景时空性）、数据稀疏优化（推荐公平性、跨域学习、图预训练）。