【深度学习09】图神经网络——在推荐系统中的应用

PinSage是工业界应用图神经网络完成推荐任务的第一个成功案例，其从用户数据中构造图（graph）的方法和应对大规模图而采取的实现技巧都值得我们学习。PinSage被应用在图片推荐类Pinterest上。在Pinterest中，每个用户可以创建并命名图板（board），并将感兴趣的图片（pins）添加进图板。推荐系统的任务是为每个图片生成高质量的表示向量，并据此为每位用户推荐其可能感兴趣的图片。

1.PinSage的模型设计和实现细节

PinSage的输入数据是一张根据用户行为和各类特征生成的大规模网络（graph）。网络的构造主要包含两个步骤：第一步是网络结构方面，如何定义边；第二步是节点特征方面，各种复杂的特征如何表示。

• 对于第一步，Pinterest的应用场景很自然地对应一个二部图，一部分节点是图片（pins），另一部分节点是用户定义的各种图板（boards），二部图的边对应着图片被添加进图板。通过这种方式，全体用户的行为被一个巨大的二部图表示出来。
• 对于第二步，每个图片对应多种特征，包括图片本身的视觉特征、与图片内容相关的文本标注信息、图片的流行度、图板的文本标注信息等。PinSage利用深度神经网络、预训练的词向量等技术将这些特征整合成节点表示向量。值得注意的是，上述的特征提取器是所有图片共享的，因此对于那些没有出现在训练过程中的“新图片”来说，我们也可以利用训练好的特征提取模型来计算该图片的向量表示。换句话说，PinSage不需要在这个巨大的二部图的全图上进行训练，只需要在一个规模较小的子图上进行训练即可。

---

PinSage基本遵循GraphSAGE的框架