题目： CD-GNN：一种跨领域的图神经网络模型

会议： CIKM 2021

论文链接：https://dl.acm.org/doi/abs/10.1145/3459637.3482131

近期，蚂蚁集团公开了一个全新的基于图神经网络的跨领域学习方法，用于解决由于低活跃用户/新用户缺乏特征和标签导致其偏好理解难的问题。该工作将低活跃用户偏好理解问题形式化为一个跨领域学习问题，通过引入源领域中高活用户的信息帮助低活跃用户的学习。对于源领域和目标领域用户无交集且目标领域缺乏特征、标签的问题，传统跨领域方法并不适用。CD-GNN通过图神经网络以关系数据（社交网络）为桥梁，为源领域和目标领域的用户构建可迁移的特征空间，并基于此通过跨领域方法迁移源领域的知识。该工作的相关论文《Learning Representations of Inactive Users: A Cross Domain Approach with Graph Neural Networks》已被CIKM 2021短文录用。目前，CD-GNN已作为解决方案服务于支付宝低活跃用户/新用户的运营和推荐等场景。

CD-GNN的整体结构如下图所示。可以看到，模型包括源领域和目标领域两个部分，这两个部分结构类似，中间是公共的领域无关层和领域判别器。首先，源领域和目标领域原始特征包括用户的关系网络和item信息，关系网络输入GNN层后，得到用户的特征表示。这样，GNN层根据网络结构信息，将两个领域用户的特征对齐到一个相同的特征空间中。其次，源领域和目标领域用户的特征分布是不同的，本文提出要学习一个映射，根据GNN学到的特征表示得到领域无关的特征，希望这个领域无关特征，一方面对两个领域的学习任务有帮助，同时对领域的差异不敏感。

内容中包含的图片若涉及版权问题，请及时与我们联系删除