KDD'23 | CC-GNN：基于内容协同图神经网络的电商召回方法

1.摘要

在电商搜索系统中，普遍流行用图神经网络来做商品召回。这些模型效果虽然很好，但仍存在以下不足：1）没有充分利用商品的图文内容特征；2）在工业级大规模稀疏图结构上的训练效率不高；3）对于长尾查询和冷启动商品的预测不够准确。为了解决这些问题，本文提出了一种新型的基于内容协同的图神经网络（Content Collaborative Graph Neural Network, 以下简称 CC-GNN）。首先，CC-GNN从商品内容中抽取文本短语并将其显式的用于图传播，来捕捉商品之间的语义关系和流行趋势。其次，CC-GNN提出了一个可扩展的图学习框架，来实现更高效的图神经网络训练，包括高效的图构建、基于 MetaPath 的消息传递机制和基于样本难度加噪的图对比学习方法。此外，CC-GNN在监督学习和自监督学习中还采用反事实数据补充来解决长尾/冷启动问题。我们在上亿级别节点规模的真实电商数据集上进行了充分实验，实验结果表明，相比线上最新的图学习模型，CC-GNN在整体效果、长尾查询和冷启商品召回上都有显著的效果提升。基于该项工作整理的论文已发表在KDD 2023，欢迎阅读交流。

论文：E-commerce Search via Content Collaborative Graph Neural Network

下载（点击↓阅读原文）：https://dl.acm.org/doi/abs/10.1145/3580305.3599320