GNN在社交推荐中的应用:从图表征到实时推理
版权申诉
8 浏览量
更新于2024-07-05
收藏 3MB PDF 举报
"本次分享主要围绕基于GNN的社交推荐算法设计和应用展开,由易玲玲和孙仕杰在2021年的DataFunSummit在线峰会上讲解。内容涵盖了图表征算法的技术演进、GNN在社交推荐中的应用以及GNN在实时训练和在线推理中的挑战,特别是针对新用户冷启动推荐的问题。分享中提到,微信生态系统内,图数据和图算法在各种场景下广泛应用,包括社交图谱、行为图谱和知识图谱的构建,以及在推荐系统和广告定向等任务中的应用。"
**一、图表征算法技术演进**
1. **人工提取特征**:早期的图表征方法主要依赖于人工设计的网络科学算法,如节点中心性(degree、k-core、betweenness、closeness等)、共同好友数和好友亲密度计算。这些特征用于好友推荐和游戏推广源等场景,具有简单明了的优点,但缺点是特征定义过程耗时且信息有限。
2. **自动学习特征**:随着Network Embedding技术的发展,如Deepwalk、LINE、Node2vec和Metapath2vec等,可以自动学习图数据的特征,广泛应用于广告定向、文章推荐等项目。自动学习特征减少了人工工作,特征维度更丰富,但存在两阶段学习的局限性,且对异构图处理不够理想。
3. **端对端学习特征**:GNN(图神经网络)的出现克服了上述问题,通过直接在图结构上进行深度学习,实现端到端的学习,结合拓扑特征和节点/边属性,如GCN(图卷积网络)、GAT(图注意力网络)和GraphSage等算法。GNN技术能够更好地融合多种信息,减少特征表示的差距。
**二、GNN在社交推荐中的应用**
1. **社交广告定向系统**:GNN可以帮助在社交网络中定位目标用户,通过分析用户之间的连接关系和属性信息,提高广告的精准度和效果。
2. **新用户冷启动推荐**:对于新用户,GNN可以利用其有限的交互信息,结合社交网络中的其他用户和内容,快速生成有效的推荐,解决冷启动问题。
**三、GNN实时训练和在线推理**
1. **GNN实时训练**:在大规模图数据上进行GNN模型的实时训练是一项挑战,需要高效的并行计算和分布式系统支持,以确保模型更新的及时性。
2. **在线推理**:在保证推荐效率的同时,GNN还需要进行在线推理,处理实时的用户行为和新加入的数据,这对系统的计算能力和响应速度有很高要求。
总结来说,基于GNN的社交推荐算法是近年来图学习领域的重要进展,它通过端到端学习和融合多种信息,极大地提升了推荐系统的性能,特别是在处理复杂社交网络数据时表现突出。然而,实时训练和在线推理的复杂性也是未来研究需要解决的关键问题。
2022-03-18 上传
2022-03-18 上传
2024-01-04 上传
2019-10-30 上传
2019-10-30 上传
2022-03-18 上传
2019-10-29 上传
2021-10-08 上传
2022-07-05 上传
普通网友
- 粉丝: 12w+
- 资源: 9195
最新资源
- JDK 17 Linux版本压缩包解压与安装指南
- C++/Qt飞行模拟器教员控制台系统源码发布
- TensorFlow深度学习实践:CNN在MNIST数据集上的应用
- 鸿蒙驱动HCIA资料整理-培训教材与开发者指南
- 凯撒Java版SaaS OA协同办公软件v2.0特性解析
- AutoCAD二次开发中文指南下载 - C#编程深入解析
- C语言冒泡排序算法实现详解
- Pointofix截屏:轻松实现高效截图体验
- Matlab实现SVM数据分类与预测教程
- 基于JSP+SQL的网站流量统计管理系统设计与实现
- C语言实现删除字符中重复项的方法与技巧
- e-sqlcipher.dll动态链接库的作用与应用
- 浙江工业大学自考网站开发与继续教育官网模板设计
- STM32 103C8T6 OLED 显示程序实现指南
- 高效压缩技术:删除重复字符压缩包
- JSP+SQL智能交通管理系统:违章处理与交通效率提升