基于偏置图采样的关联产品推荐优化

在电子商务平台中，向用户推荐与查询相关的产品（如为购买手机的顾客推荐手机壳）是常见场景。产品关联关系通常用有向图表示，其中边的方向性至关重要：推荐手机壳给买手机的顾客合理，但反向推荐则不合逻辑。

在去年欧洲机器学习会议（ECML）发表的论文中，已证明通过为每个图节点建立双重嵌入（作为推荐源和推荐目标的向量表示），图神经网络能有效捕捉产品相似图的方向性。今年在 ACM 网络搜索与数据挖掘会议（WSDM）上，该研究得到进一步扩展——提出根据节点连接度（与其他节点的连接数量）定制嵌入过程的新方法。这种方法既能利用高连接度节点的中心性，又能通过更长的连接链收集稀疏连接节点的信息。

实验在六个公开数据集上进行，比较新模型与三种前沿模型的性能，测试每次查询推荐 5/10/20 个产品的情况。通过命中率和平均倒数排名衡量，新模型全面优于其他模型，相对次优模型的优势幅度从 4%到 230%不等。

图神经网络工作机制图神经网络（GNN）以图作为输入，输出每个节点的嵌入表示，这些嵌入不仅包含节点自身信息，还包含其与其他节点的关系信息。GNN 嵌入是迭代进行的：首轮基于节点关联信息（如产品信息）生成初始嵌入，后续轮次结合自身及其连接节点的嵌入进行更新，该过程可重复直至覆盖整个图。

对于具有大量密集连接（高连接度）节点的图，在嵌入过程中对所有邻居节点进行采样可能不切实际。传统 GNN 实现存在两个局限：固定采样邻域范围（通常 1-2 跳），以及采用均匀采样策略（所有邻居具有相同采样概率）。

BLADE 方法创新提出的 BLADE（偏置局部自适应方向感知）方法解决了这些局限。其核心创新包括：

1. 根据被嵌入节点的入度（入向边数量），使用幂律分布动态计算邻域范围

2. 在嵌入过程中，通过综合考虑邻居节点的出入度来加权采样概率

除公开数据集外，在两个大型内部数据集上的测试显示，该方法相对次优模型的改进幅度达 40%-214%。该方法使高连接度节点能发挥其信息中心性优势，同时为稀疏连接节点扩展信息收集范围，从而显著提升推荐系统性能。更多精彩内容 请关注我的个人公众号 公众号（办公 AI 智能小助手）公众号二维码

办公AI智能小助手