文档名：MoGE基于图上下文增强的多任务推荐算法
摘要：多任务学习(Multi-TaskLearning,MTL)通过信息共享来共同处理多个任务,已被广泛应用于大量推荐任务中.目前针对推荐的多任务学习方法,主要集中在基于共享输入特征(即描述用户-商品交互信息的特征工程)的多门控混合专家网络(Multi-gateMixture-of-Experts,MMoE),以此来学习不同任务间的关联.最近的一些工作表明,图神经网络(GraphNeuralNetwork,GNN)作为表征深度交互上下文的强大工具,被应用于推荐任务中,可极大地缓解在线个性化推荐服务中的数据稀疏问题.因此,我们通过设计混合图增强专家网络(MixtureofGraphenhancedExpertnetworks,MoGE),首次探索了用于多任务推荐的图神经网络结构.具体地说,我们提出了一种新的多通道图神经网络,利用用户-商品二部图,以及衍生的用户和商品的协同相似图来联合建模用户-商品的高阶交互信息.在学习到的深层次交互上下文的基础上,引入了一组图增强的专家网络,以协作的方式实现多任务推荐.在3个真实数据集上的实验结果表明,MoGE在所有目标任务上都持续且显著地优于最优的基线.
Abstract：Multi-tasklearning(MTL),whichjointlytacklesmultipletasksthroughinformationsharing,hasbeenex-tensivelyusedinavarietyofrecommendationapplications.Recently,currenteffortstargetedforrecommendationfocusonlearningtaskrelationshipsbasedonthemulti-gatemixture-of-experts(MMoE)architecturewithsharedinputfeatures(i.e.,subtlefeatureengineeringforuser-iteminteraction).Recentevidencessuggestthegraphneuralnetwork(GNN)asapower-fulcomponentincharacterizingdeepinteractioncontextforrecommendation,greatlycontributingtoeasingthedatasparse-nessissueinonlineadvertisingservices.Hence,wemakethefirstattempttoexploretheGNNtowardsmulti-taskrecom-mendation,bydesigningmixtureofgraphenhancedexpertnetworks(MoGE).Specifically,weproposeanovelmulti-chan-nelgraphneuralnetworktojointlymodelhigh-orderinformationwiththeuser-itembipartitegraphaswellasderivedcol-laborativesimilaritygraphsforusersanditems.Agroupofgraphaugmentedexpertnetworksareintroducedontopofthelearntdeepinteractioncontextforcooperativelycontributingtothemulti-taskrecommendation.Experimentalresultsonthreereal-worlddatasetsshowthatMoGEconsistentlyandsignificantlyoutperformsstate-of-the-artbaselinesacrossalltar-gettasks.
作者：周俊 胡斌斌 张志强 陈超超 Author：ZHOUJun HUBin-bin ZHANGZhi-qiang CHENChao-chao
作者单位：浙江大学计算机科学与技术学院,浙江杭州310027;蚂蚁科技集团股份有限公司机器智能部,浙江杭州310000蚂蚁科技集团股份有限公司机器智能部,浙江杭州310000浙江大学计算机科学与技术学院,浙江杭州310027
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(11)
分类号：TP183
关键词：多任务学习 图学习 推荐算法 注意力机制 深度学习
Keywords：multi-tasklearning graphlearning recommendersystem attentionmechanism deeplearning
机标分类号：TP391V211.48F713.36
在线出版日期：2024年2月1日
基金项目：MoGE:基于图上下文增强的多任务推荐算法[
期刊论文] 电子学报--2023, 51(11)周俊 胡斌斌 张志强 陈超超多任务学习(Multi-TaskLearning,MTL)通过信息共享来共同处理多个任务,已被广泛应用于大量推荐任务中.目前针对推荐的多任务学习方法,主要集中在基于共享输入特征(即描述用户-商品交互信息的特征工程)的多门控混合专家...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
MoGE:基于图上下文增强的多任务推荐算法 MoGE:Graph Context Enhanced Multi-Task Recommendation Method
MoGE:基于图上下文增强的多任务推荐算法.pdf
- 文件大小:
- 1.94 MB
- 下载次数:
- 60
-
高速下载
|
|
