Recommandation System

Survey¶

Industry¶

美团STGCN User-POI-AOI Multi-graph 考虑 Spatial Temporal Q：GCN（图卷积网络）用在大规模图存在性能问题吗？目前实践的图规模有多大？ A：目前我们实践中广告上的图会比较多比较大，大概3亿多节点，80多亿条边。性能上，在实际在线用的时候，我们用离线ebedding计算好了，在线做比如索引的召回、点击召回，这样还是比较快的。训练的时候，大多数情况下80多亿边的图在几百G的内存下是可以训练出来的。分布式就更加简单了。如果大家资源不够，那可以图像切割后再进行训练。把图切分，然后每个work上面做自己领域的采样，然后互相训练，最后再做一个整体梯度的回传。

Q：有考虑在POI中加入社交关系吗？ A：我们拿到的社交关系数据比较少。目前能构成边的关系还是点击、交易、收藏行为，但是社交在美团场景中还是很少的。所以目前还没有尝试。

Q：针对于用户不同行为设计的多关系图，关系数量是什么样的量级？可否把物品的属性类别也当作关系来做？如果关系数很多，怎么处理？ A：第一个问题，这边可能想问的是刚才“时空多图”这个地方吧？首先我们这里的多图并不是指多关系，而是指用户在不同的时间段里面都访问这个POI，每一个时间段一个访问，我们可能会构出一条边来。这边的访问已经结合了我们可能会给不同的交互一个不同的权重，形成同一种关系。比如可能点击行为，给了权重是一，下单可能是三，支付可能是五，这样多关系做一个聚合。第二个问题,能不能把物品的属性类别当作关系来做。比如像我们这边物品的属性和类别，举个例子，常用的属性是一级类目，二级类目，三级类目，或者是平均价格，这种离散特征的枚举数量是比较少的，不好当关系来做。可能在每种关系做一条不同的边,其实这种你要得到不同的embedding应该也是可以的。

Q：时间信息如何表示？ A：基于时间采样，用户在这个时间段上或相邻时间段的交互行为，做一些节点和聚合操作。

Q：针对尾部关注度较低的商家、商品怎么做？ A：冷门商品在图里的交互节点会比较少。我们会对图进行裁剪，做稠密平滑处理，从而避免特别热或特别冷的节点。

Q：对于每种行为的学习不同向量最后如何融合？ A：多层embedding进行融合，用户在某个时间段只有一个表征。时间片上不会融合。

Q：采样考虑重要性吗？ A：会有平滑策略。假设这个时间片下交互少，那么会用其他时间片。不过，距离这个时间间隔越长，采样越少。不会有某个时间片上有太热的点。尾部冷门点我们也会采和它接近的点来进行工作。