この記事は、HUAWEICLOUDコミュニティの「Recommendation-AnalysiswithGraphs！ 」から共有されています。"、作成者：Hello_TT。
ガイド付き読書
レコメンダーシステムは、ユーザーが関心を持っている商品、コンテンツ、またはサービスを提供するためのテクノロジーと見なされます。物事間のディープリンク関係を記述するテクノロジーとして、グラフテクノロジーはレコメンダーシステムをモデル化するためによく使用されます。この記事では、最初にレコメンダーシステムと、レコメンダーシステムとグラフテクノロジーの関係を紹介し、次に、グラフテクノロジーがどのようにレコメンダーシステムを強化するかを例を挙げて説明します。
レコメンダーシステムとは
ユーザーが自分のニーズを満たすためにインターネットに接続する必要があるとき、彼はしばしば大量の関連情報に遭遇します。レコメンダーシステムは、情報をフィルタリングし、ユーザーにとって可能な限り満足のいく興味深い商品、コンテンツ、またはサービスをユーザーに提供するために使用される手法です。
eコマースおよびソーシャルメディアプラットフォームの急速な発展に伴い、ユーザーがデータの海で自分自身を失うことを防ぐために、レコメンデーションシステムが登場しました。AIの最も成功した重要なアプリケーションの1つとして、レコメンダーシステムは、消費者が関連性のある、または興味深いコンテンツ、商品、またはサービスをより簡単に見つけるのに役立ちます。
レコメンダーシステムの重要性
今日のインターネットはさまざまな情報リソースを運び、データの量は指数関数的に増加します。レコメンダーシステムは、情報過多の問題を軽減する上で重要な役割を果たします。eコマースプラットフォームでは、優れたレコメンデーションシステムは、ユーザーが優れた製品を見つけるのに役立ち、高品質の製品を正確なオーディエンスに届けることもできます。
ユーザーの観点からは、レコメンデーションシステムは、情報過多による時間コストを軽減できます。企業の観点からは、企業が正確なマーケティングを実現し、ユーザーエクスペリエンスをパーソナライズし、顧客ロイヤルティを向上させ、企業の収益を最大化するのに役立ちます。したがって、レコメンダーシステムの品質は、ユーザーと企業の両方にとって非常に重要です。
グラフ分析とレコメンデーションシステムの関係
レコメンダーシステムのデータは基本的にグラフデータであり、ユーザー、製品、属性などのデータはさまざまな関係でリンクされています。グラフ分析技術は、複雑な関係を処理する上で自然な利点があります。ランダムウォークやグラフニューラルネットワークなどのグラフ技術は、さまざまなグラフを処理するために使用され、良好な結果を達成しています。したがって、グラフ分析を使用して推奨問題を処理することは自然であり、賢明な選択。
さらに、グラフ分析は、説明可能なレコメンダーシステムを構築するのに役立ちます。ディープラーニングが主導するレコメンダーシステムのブラックボックスメカニズムにより、人々はレコメンダーシステムの解釈可能性にますます注意を向けるようになります。グラフ分析の因果推論の能力の恩恵を受けて、グラフ分析に基づくレコメンダーシステムは推薦結果。セックス。
レコメンダーシステムのグラフ構造
レコメンデーションシステムには、ユーザー、製品、属性など、さまざまな種類のエンティティが含まれ、ユーザー間の社会的関係やユーザーと製品間の相互作用など、さまざまな関係を介して接続されます。お待ちください。これらのさまざまなエンティティと関係は、レコメンダーシステムの基礎となるデータセットを構成します。レコメンデーションシステムの基礎となるデータは、次の構造に分けることができます。
階層
通常、すべての製品は、特定の属性（製品カテゴリなど）に基づいて階層に編成されます。たとえば、Huawei Mallのすべての製品は多くのカテゴリ（携帯電話、アクセサリ、スマートスクリーンなど）に分類され、製品の各カテゴリはサブカテゴリに分類されます（携帯電話はMateシリーズ、Pシリーズなどに分類されます）。 ）、各サブカテゴリにはさまざまな特定の製品が含まれる場合があります。この階層自体が、製品間の豊富な関係を明らかにします。異なるが類似したカテゴリの製品は、補完的な関係（携帯電話や保護ケースなど）を持っている場合があります。これは、推奨の品質を向上させるのに役立ちます。さらに、類似した製品の繰り返しの推奨を回避することも有益であり、それによって、おすすめ商品。
単一部品図
レコメンダーシステムでは、考慮すべき少なくとも2つのモノリシックグラフ、つまり、ユーザーの社会的関係ネットワークと製品の共起関係ネットワークまたはセッショングラフがあります。社会関係グラフでは、ユーザーの嗜好と購買行動が相互に影響し合い、製品の共起関係は、製品間の補完的または競争的な関係を反映するだけでなく、ユーザーの消費パターンも示します。推奨を行うときに考慮されます。の要素。
二部
ユーザーとアイテム（クリック、購入など）の関係は、2部グラフとしてモデル化できるレコメンダーシステムの中核です。この時点での推奨は、リンク予測の問題と見なすことができます。
不均一グラフ
上記のユーザーアイテム二部グラフの希薄性問題を効果的に解決し、より堅牢で信頼性の高いレコメンデーションシステムを構築するために、ユーザーの個人情報、ユーザーの個人情報など、考慮に入れることができる多くの関連情報があります。社会的関係、製品特性、商品共起関係など。一般に、ユーザーの好みや購入行動、および製品の機能について理解すればするほど、推奨事項はより適切になります。
レコメンダーシステムのグラフ分析方法
ランダムウォーク
ランダムウォークの原理は、特定のポイントから開始し、特定の確率でこの頂点の隣接ノードまでウォークし、各ウォーク後に確率分布を取得することです。これは、グラフ内の各ノードが訪問される確率を示します。一定のステップの後、推奨結果として各ノードが訪問される確率に従ってノードがソートされます。ランダムウォークの特殊な動作メカニズムの恩恵を受けて、複雑で高次のデータグラフに対して優れた推奨効果が得られました。
グラフ表現学習
グラフ表現学習法は、通常、グラフ内の各ポイントを、グラフの構造情報を含む低次元表現にエンコードします。これらの表現は、後続の推奨タスクに使用されます。
グラフニューラルネットワーク
たとえば、グラフ畳み込みニューラルネットワークは、グラフ構造とポイント特徴情報を使用して、ローカル構造特徴を継続的に集約する方法を学習します。一般に、畳み込みおよびプーリング操作を通じて、グラフ畳み込みネットワークは、ノードの近傍から貴重な特徴情報を学習することができます。
知識グラフ
知識グラフに基づくレコメンデーションシステムは、通常、外部の知識を使用して知識グラフを作成し、ユーザーまたは製品間の隠れた関係を調査します。これは、より良いレコメンデーションに役立ちます。さらに重要なことに、外部の知識を活用することにより、知識グラフベースのレコメンダーシステムは、ユーザーの行動と製品の特性をよりよく理解し、それによってレコメンデーション結果の解釈可能性を向上させます。
Huawei Cloud GraphEngineGESに基づく推奨の例
おすすめの友達
この例では、Li Leiに友達を推薦します。アイデアは彼の友達の友達を推薦することですが、推薦された友達にはLi Lei自身の友達を含めるべきではありません。たとえば、写真では、XiaomeiはLiLeiの友達とLiLeiの友達の両方です。 。友人の友人、彼女はすでにLi Leiの友人であるため、XiaomeiをLiLeiに勧めるべきではありません。次のgremlinステートメントを使用して、上記の推奨事項を実装できます。
g.V("李雷").repeat(out("friend").simplePath().where(without('1hop')).store('1hop')).times(2).path().by("name").limit(100)映画のおすすめ
これは異種グラフの例であり、エンティティにはユーザー、映画、ジャンル、俳優、監督などが含まれます。
フランクに映画を推薦するために、GESに組み込まれているリアルタイムの推薦アルゴリズムを使用します。リアルタイム推奨アルゴリズムは、ランダムウォークモデルに基づくアルゴリズムです。主な入力パラメータはソースとラベルです。ソースは要求元ノードのIDを表し、ラベルは目的の推奨ノードタイプを表します。特定のパラメータの説明については、リンクリアルタイム推奨アルゴリズムを参照してください。戻りパラメーターのスコアは、各ノードの推奨値を示し、その推奨度を反映しています。
{
"score": 1494,
"id": "The Sixth Sense"
},
{
"score": 1233.0000000000002,
"id": "Artificial Intelligence"
},
{
"score": 519,
"id": "Lincoln"
},
{
"score": 441,
"id": "Ready Player One"
}GESベースのレコメンダーシステムの利点
KugouとHuaweiMallは、GESに基づいて独自のレコメンデーションシステムを構築し、非常に良い結果を達成しました。
関連リンク（人と物の市場に基づくEコマース知識グラフの構築https://bbs.huaweicloud.com/forum/thread-67525-1-1.html）一般に、GESに基づくレコメンデーションシステムには次のものがあります。側面利点：
リアルタイムの推奨
オンラインアプリケーションは即座にレコメンデーションを行う必要があり、GESの高性能はリアルタイムのレコメンデーションシステムの構築に役立ちます。
高品質で解釈可能な推奨結果を提供する
提供される推奨事項は、ユーザーにとって本当に価値があり、理由の質問に答えます。
方法の多様性
GESは、より正確な結果をもたらすレコメンダーシステムの構築に役立つさまざまな方法を提供します。
ビジネス目標を達成する
企業が高収入、低コストの目標を達成し、ユーザーの満足度を向上させ、時間とコストを節約できるように支援します。
参照：
- レコメンダーシステムへのグラフ学習アプローチ：レビュー（2020）
- DKN：ニュース推薦のための深い知識認識ネットワーク（2018）
- 全体としての服装：ノードワイズグラフニューラルネットワークに基づく服装互換性学習（2019）