超图技术提升商品检索效能的突破

使用超图改进商品检索

在帮助顾客于某中心商店查找商品的信息检索引擎中，通常依赖于将查询与商品映射的二分图。这些图通常基于顾客行为：若执行相同查询的足够多顾客点击或购买某商品，图中便会建立查询与商品之间的边。图神经网络（GNN）可处理该图并预测新查询对应的边。

该方法存在两个缺陷：一是商店中大多数商品属于很少被搜索的长尾项目，缺乏足够关联数据以确保GNN训练可靠性；二是处理长尾查询时，GNN易将其匹配到流行但可能无关的商品，仅因后者整体点击购买率高，此现象称为非协调混合。

在ACM网络搜索与数据挖掘会议（WSDM）上发表的论文中，通过用描述同一购物会话中顾客浏览商品的超图增强二分图，解决了这两个问题。利用超图捕捉商品关系可帮助GNN从高频查询泛化至低频查询。超图是图结构的泛化，其中一边可连接多个节点，而普通图一边仅连接两节点。其他检索方法虽使用商品相似性提升性能，但用超图建模相似性允许使用GNN进行预测，从而利用图表示中的附加结构。

测试中，将该方法与仅使用二分图的GNN方法比较，发现添加超图使结果的平均倒数排名（衡量正确答案在排名列表中位置的指标）提升近25%，召回率（衡量检索正确答案的百分比）提高超48%。

双通道架构

GNN生成捕获邻居信息的节点向量表示（嵌入）。该过程迭代进行：第一次嵌入仅捕获节点关联对象信息（如商品描述或查询语义）；第二次嵌入结合节点直接邻居的嵌入；第三次嵌入扩展节点邻域一跳，以此类推。多数应用使用一跳或两跳嵌入。

超图嵌入略微修改此过程：第一次迭代与标准情况相同，单独嵌入各项目节点；第二次迭代为每个超边整体创建嵌入；第三次迭代生成每个节点的嵌入，综合考虑其自身内容级嵌入及所接触所有超边的嵌入。

该模型架构具双通道：一用于查询-商品二分图，一用于商品-商品超图。各通道传递至其自身GNN（图卷积网络），产生每个节点的嵌入。

训练期间，注意力机制学习赋予各通道嵌入多少权重。例如，具有少数流行关联商品的常见查询可能通过二分图的标准GNN嵌入良好表示；而关联多种查询的罕见购买商品，可能受益于超图嵌入的更高权重。

为最大化预测质量，还实验了两种无监督预训练方法。一是对比学习，其中GNN输入训练样本对：一些为正对（嵌入应尽可能相似），一些为负对（嵌入应尽可能不同）。遵循现有实践，通过随机删除源图的边或节点生成正对，因此所得图相似但不相同；负对将源图与不同随机图配对。将该过程扩展至超图，并确保两通道训练数据一致性，例如从一通道输入删除的节点也会从另一通道删除。

还实验了DropEdge方法，即在连续训练周期中使用同一图的稍不同版本，随机丢弃少量边。这防止过拟合和过平滑，鼓励GNN学习输入的更抽象表示。

预训练显著提高双通道模型和基线GNN的质量，但也增加两者差异。即该方法本身有时仅产生相对于基线模型的适度改进，但经预训练后该方法较大幅度优于经预训练的基线模型。
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）或者 我的个人博客 https://blog.qife122.com/
公众号二维码