背景

主要用于搜索意图推荐，即根据用户的历史query和浏览行为，在搜索框默认为用户推荐query。

image.png

特点和问题

此paper的方法与传统推荐的不同：

1. 传统推荐是user item二元组，而词场景是user item query 三元组；
2. 用户的意图动态性强，变化快

本文的解决的办法

构建异构图（HIN），使用matepath学习user item query的emb后再输入到MLP 中学习三者结合的点击率

HIN（Heterogeneous information network）

构建异构图并利用matapath的方式得到行为序列

image.png

MeiRec 异质GNN

作者构建了MeiRec框架，用于学习异质图。

1. 输入为<user, item, query>三元组；
2. term embedding： 将item和query分词得到term，每个term对应emb再sum得到相应的emb，这样做大大减少了特征的稀疏性；
3. 通过metapath 学习user和query的emb（类似graphsage的agg阶段）？
4. 将图学习得到的emb和其他静态特征输入到MLP预测user会搜索特定query的点击率

image.png

metapath 异质图学习

1. 首先根据元路径UIQ聚合邻居信息：先使用统一的term embedding获得queries的初始嵌入；
2. 然后根据元路径UIQ得到邻居节点
3. 聚合二阶邻居的嵌入来得到一阶邻居的嵌入。如下图左边聚合得到,聚合得到；
4. 类似地，聚合二阶邻居到一阶。

reference

https://blog.csdn.net/byn12345/article/details/104975993/