图表示学习在美团推荐中的应用
分享嘉宾：黄祥洲博士 美团 算法工程师
编辑整理：Matrix 中国人民大学
出品平台：DataFunTalk
导读：在深度神经网络技术兴起的前几年，图像、语音、文本等形式的数据都能在深度学习中被很好地应用。近年来作为一类主要用来描述关系的通用数据表示方法——图数据，也在产业界产生日趋广阔的影响力。作为一项新兴图数据学习技术，图神经网络自2018年开始在顶会论文中崭露头角。其中，图表征学习法指的是通过神经网络计算方法，根据节点属性、边和边的属性生成一个向量作为图的表征，并基于图表征进行图的预测。今天向大家分享下美团关于图表征学习在美团推荐中的应用。
今天的介绍主要围绕两大点展开：
图表征学习在美团推荐场景落地的挑战
图表征学习在美团推荐场景中的应用举例
1. 美团推荐——产品形态多样
首先介绍一下美团的产品形态。
（1） 美团APP综合信息流
美团猜你喜欢，给用户推POI，SPU，或者是其他一些广告。
（2） 点评APP内容信息流
比如点评内容，feed推送。
（3） 频道内附近POI推荐
在频道内，推荐一些附近的相关的兴趣点。
（4） 商品详情页面相关推荐
到达某个指定POI或SPU之后，会有商详页的相关推荐。
可以看到美团产品线还是很多种多样的。
2. 美团推荐搜索中的引导推荐
除了单纯的推荐以外，在搜索中也会有一些引导的推荐，比如
（1） 默认词，推荐给用户一些搜索词
（2） 热门搜索
3. 美团推荐建模方案多样
前面介绍了场景，下面来介绍建模。
上面提到的那些场景里面的用户、商户、餐品，其实都可以在建模的时候把它们考虑进来。我们要将图学习应用到下游任务时，第一步就是构图。我们通过分析下游任务的实际需求，选择场景中的实体作为图中节点，选择实体和实体之间的关系构成图中的边，然后在建模时，考虑把场景上下文作为节点和边的属性。实际建模构图的时要考虑很多因素，举个实际例子，我们将商品作为节点来构图建模，会考虑其是否标品。同样是500毫升的可口可乐，在不同的店里面会有不同的商品ID。我们实际构图时，怎么对这个商品进行建模，是我们需要考虑的问题。又例如对同一个菜品，像宫保鸡丁，在不同商家里有不同的菜品ID，在点外卖和去店里也会是不同的实体，我们如何针对不同场景设计不同的建模方式，是我们构图时的一个重要挑战。
4. 美团推荐场景差异
接下来介绍一下美团LBS (Location-based service) 推荐和其它推荐，比如电商推荐、新闻推荐、短视频推荐等场景上的差异。
在主目标上，LBS推荐主要是关注订单，还有新客的订单，电商也是类似的，但是新闻推荐和短视频推荐，可能会更关注日活跃用户数量和时长。
在场景化和位置约束上，LBS推荐的场景化配置约束是比较高的，用户需要在他指定的时间、指定的地点，选择自己想要的商品。
在供给方面，LBS推荐的供给是有区域性的，而电商推荐、新闻推荐和短视频推荐的供给可能是全国化的。
从复购来看，LBS推荐复购程度较新闻推荐和短视频推荐低。
在时间粘性和社交粘性上，LBS推荐是比较弱的。
5. 美团推荐场景特点
整体来看，美团推荐有如下场景特点：
第一， 业务跨度大，且差异巨大，分布在吃、住、行、游、购、娱等各个方面。比如可能会想点外卖，可能出行需要订机票、酒店、门票等等；
第二， 时空场景复杂，我们会分本地异地、时间、地点等。比如外卖可能会是北京订北京收，而酒店类产品可能是异地订异地收等等。
第三， 数据稀疏，一些新业务会比较低频，订单也会比较少，但是这些业务也是比较重要的，我们如何拿高频的一些业务构成了图去补充低频业务的推荐，也是我们的一个挑战。
第四， 供给约束，供给数量受LBS约束。
接下来，主要讲一下在时空场景复杂这个问题上，我们做的一些图表征学习的工作。
1. 时空图表征推荐
这是我们发表在ICDM上的一个工作，结合了时空的图表征学习推荐。
（1）用户在不同时间段内感兴趣的区域不同
首先介绍一下我们做这个工作的动机。
用户在不同的时间段内，感兴趣的区域是不一样的。
POI推荐里面时间和空间其实是相互作用的，共同影响着用户的决策。左边这张图，不同的颜色表示用户在不同时间段对区域的一些偏好性。蓝色表示的是早上6点到12点的用户偏好，绿色表示的是用户在下午的偏好，晚上则是用黑色来表示。首先，从时间上，可以看到不同用户在相同时间的倾向性不同。然后，从空间上，用户会对特定空间有所偏好，同时POI的影响范围也不同。再看稀疏性，用户在特定时空环境下交互行为是稀疏的。比如像早上蓝色时间段，倾向的POI数量是比较少的，而晚上和下午则相对比较稠密。
（2）相关工作
在时空相关的表征建模研究已有很多工作。
空间相关的工作，有把整个大图按照空间做划分，或者把空间当作时间的节点。时间上面的工作，是把大图按照时间分成几个组，独立地训练。或者把时间当作节点的特征，或者把时间当做一个独立的节点，在图上面做表示。缺乏一个把时间和空间联合起来进行建模的有效方案。
（3）用户访问POI的时间间隔示例
其实从一些采样的数据可以看到，用户访问的POI的时间隔其实是各不相同的。左边这张图是表示同个用户访问同个POI的时间间隔的分布。对于这个用户而言，他倾向于在短时间内连续访问这个POI。右图中，我们把访问这个POI的用户定义成相似用户， 对这些用户访问这个POI的时间间隔的分布进行统计。可以看到，有些用户偏向于在比较短的时间内访问POI，也有些用户访问POI是经过比较长的时间间隔。所以每个用户访问POI会有自己的时间上的倾向。
（4）结合用户所在区域和时间段推荐合适的POI
综合来看，我们要做时空的推荐，应该结合用户所在的区域和时间段进行推荐。上下文场景是对于用户在某个时间段我们给他推一些候选POI，然后由候选POI的位置，以及用户所在的位置，在这种情况下我们怎么结合上下文给用户推荐到合适的POI，是我们建模要解决的。
（5）时空多图
这里介绍一下我们的构图方案。这是一个多图。首先，看用户和POI的连接，我们对用户和POI连接的边分成了多个时间段，每个时间段会有一条边，这就构成了多边。POI和POI之间的连边，主要是考虑贡献的关系，比如用户共同的点击、共同的下单行为。其次，是POI和区域AOI的从属关系，以及用户和AOI的从属关系。AOI和AOI之间可能也有自己的一个相邻的连边。这些整体构成了我们整个STGCN构图的一个全景的框架。
（6）模型框架
接下来介绍一下我们时空图表征学习的模型框架。
首先，我们构造了一个用户到POI再到区域的一个多图
然后进行采样，会得到一个子图
再根据各个节点不同的特征，以及它本身的一些可以初始化的ID特征，得到一个节点，最初始化的embedding，通过这边聚合成得到它的一个表征
最后再做一个多层融合，算一个多方面的loss。
（7）时间平滑的子图采样
采样部分，我们构造出来是一个多图，一个用户可能在多个时间段都对同一个POI进行了访问。首先，我们会以时间作为因子，去对全图进行一个子图的采样。每条边采样的权重，是根据当前采样的时间节点，以时间偏差作为采样的因子。上图中的公式代表与目标的时间相差越小，也就是距离这个时间越近的一条边，被采选的概率会越大。这样就可以解决有一些边上交互起来比较稀疏的一个问题，使得采样出来的数量比较平滑。
（8）图卷积层
采样完成后，获取每个节点在当前时间t的embedding。
在某种关系下，所有采样出来的节点，和自己中心节点做一个聚合，再做一个非线性的函数，得到它下一层的节点的表征。
最后得到的表征，还用了多层的表征的结合。
对当前关系下面的归一化系数。
这样就得到了每个节点在当前t时间下的一个节点的表征。
（9）预测层
预测适当的POI，有四个需要优化的目标。
首先是在t这个时刻，用户对POI的兴趣。然后是在这一时刻，用户对区域的兴趣。还有在这个时刻下用户与POI所在区域的距离，以及这些区域对POI的从属。我们还会有一个加权的系数。
（10）优化目标
优化方面有两个Loss。第一个是优化图本身经常用的一个Loss，比如节点之间，相连节点的embedding，以及它复采样出来一些节点embedding，希望相连节点变得尽可能的相似，复采样出来的节点embedding尽可能的远。第二个，就是对预测层的一个Loss。样本是用户在t时刻交获的POI，副样本就是用户在t时刻以前没有交的POI采样作为副样本。最后一个整的Loss就是上面这两部分Loss，再加上对系数的一个正则化。
（11）实验
对两类数据集——点评和Gowalla的实验，采取了大概一个月的时间，用户对POI的点击。可以看到，相比传统的GOF、LINE，加上时空考虑的模型取得了更好的效果。
（12）消融实验
上图可以看到消融实验的结果。篇幅有限，在此不展开说。但可以看到，加上时间因素和空间因素后，会对整个模型起到一定的提升。
（13）case分析
首先，我们想回答这样一个问题，STGCN能不能捕捉到用户POI的一些周期性模版。左上图表示的是一个用户对POI在时间上的偏好。可以看到他对0、1、2、3这四个不同POI在不同时间是一个缓慢变化的过程。这也符合我们前面的一个假设，因为我们前面时间采样是比较平滑的。右上图表示的是不同的用户，对同个POI偏好的时间段是不一样的。
第二个问题就是STGCN能不能捕捉到用户和区域上面的一些周期性模版。前面我们假设用户在不同的时间段里会对不同的区域感兴趣。右下图也可以看到，在不同的时间段，用户attention高的区域也是会分布在不同的区域范围内。早上可能是在上面的红色区域，晚上可能是在下面的蓝色区域。
2. 图学习在美团推荐场景的落地
前面讲了我们在针对时空场景上的一些特殊的建模。
我们将图表征学习应用到下游任务时，在美食频道、酒店频道、相关搜索和推荐广告中都做了一些尝试，部分场景上效果得到了显著提升。
综上，我们看到了图表征学习在美团推荐中的不同场景、不同时空下的应用。当然，未来，我们还有很多问题要解决。比如业务场景跨度大，和部分业务低频但很重要等问题。为了解决这些问题，我们现在在做的是跨域图表征的一些预训练。整合我们外卖、酒店、美食、旅游、优选、娱乐、买菜的数据，要去训一个大图，训练出大图之后，怎么再进行反复的操作，或是联合下游的一些排序模型，或者一些召回模型进行联合训练，这都是我们继续要做的工作。未来我们还会面临一个千亿边规模的快速稳定训练的挑战。我们现在最大规模的图可能也只有80多亿，未来跨域之后，可能把更多的交互行为考虑进去，图会越来越大，要如何稳定地训练，并且训练出来的图有效果，这也是我们未来要继续做的事情。
最后再来介绍一下我们的团队，欢迎大家加入。
Q：GCN（图卷积网络）用在大规模图存在性能问题吗？目前实践的图规模有多大？
A：目前我们实践中广告上的图会比较多比较大，大概3亿多节点，80多亿条边。性能上，在实际在线用的时候，我们用离线ebedding计算好了，在线做比如索引的召回、点击召回，这样还是比较快的。训练的时候，大多数情况下80多亿边的图在几百G的内存下是可以训练出来的。分布式就更加简单了。如果大家资源不够，那可以图像切割后再进行训练。把图切分，然后每个work上面做自己领域的采样，然后互相训练，最后再做一个整体梯度的回传。
Q：有考虑在POI中加入社交关系吗？
A：我们拿到的社交关系数据比较少。目前能构成边的关系还是点击、交易、收藏行为，但是社交在美团场景中还是很少的。所以目前还没有尝试。
Q：针对于用户不同行为设计的多关系图，关系数量是什么样的量级？可否把物品的属性类别也当作关系来做？如果关系数很多，怎么处理？
A：第一个问题，这边可能想问的是刚才“时空多图”这个地方吧？首先我们这里的多图并不是指多关系，而是指用户在不同的时间段里面都访问这个POI，每一个时间段一个访问，我们可能会构出一条边来。这边的访问已经结合了我们可能会给不同的交互一个不同的权重，形成同一种关系。比如可能点击行为，给了权重是一，下单可能是三，支付可能是五，这样多关系做一个聚合。
第二个问题,能不能把物品的属性类别当作关系来做。比如像我们这边物品的属性和类别，举个例子，常用的属性是一级类目，二级类目，三级类目，或者是平均价格，这种离散特征的枚举数量是比较少的，不好当关系来做。可能在每种关系做一条不同的边,其实这种你要得到不同的embedding应该也是可以的。
Q：时间信息如何表示？
A：基于时间采样，用户在这个时间段上或相邻时间段的交互行为，做一些节点和聚合操作。
Q：针对尾部关注度较低的商家、商品怎么做？
A：冷门商品在图里的交互节点会比较少。我们会对图进行裁剪，做稠密平滑处理，从而避免特别热或特别冷的节点。
Q：对于每种行为的学习不同向量最后如何融合？
A：多层embedding进行融合，用户在某个时间段只有一个表征。时间片上不会融合。
Q：采样考虑重要性吗？
A：会有平滑策略。假设这个时间片下交互少，那么会用其他时间片。不过，距离这个时间间隔越长，采样越少。不会有某个时间片上有太热的点。尾部冷门点我们也会采和它接近的点来进行工作。
今天的分享就到这里，谢谢大家。
在文末分享、点赞、在看，给个3连击呗~
分享嘉宾：
相关内容
微信扫码咨询专知VIP会员