论文标题：Learning Representations of Inactive Users: A Cross Domain Approach with Graph Neural Networks

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

已有方法只关注如何将源领域的知识迁移应用到目标领域，而忽略了在迁移之前，源、目标领域是否具备一个合理的表征空间，使得任务可以迁移。以低活跃用户/新用户为例，这些用户自身特征几乎没有。简单的迁移无法将源丰富的信息对齐到他们身上。为此，蚂蚁集团的研究人员提出一种结合图神经网络来做表征的迁移方法，该方法可以为低活跃用户/新用户学到更好的表征并应用于推荐中。思路很简单，分为两步：

1. 对于无论是源领域用户还是目标领域用户，分析关系数据，探索什么关系对于用户自身的行为具有强相关性。找到强相关的关系数据，就可以通过去除自身的关系数据来表征自身。这样，模型就可以将无论是源领域还是目标领域的用户表征放在同一个表征空间下。

2. 通过经典迁移方法将源领域的信息迁移到目标领域，从而帮助目标领域学的更好。

基于此，蚂蚁集团的研究人员提出了一种结合GNN表征学习能力的跨领域联合建模方案CD-GNN（Cross Domain-Graph Neural Networks），解决源领域和目标领域通过网络关联的情况下进行跨领域建模的问题。接下来，本文将介绍该方法的实现细节，及其在低活跃用户上的应用。

图1 CD-GNN的整体结构图

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