今天点评微信团队发表的CIKM '20的最新论文《Graph Neural Network for Tag Ranking in Tag-enhanced Video Recommendation》。推荐这篇论文的原因有二：

1. 微信团队实际上面临的是一个“迁移学习+多任务”的场景。但是，微信团队的解决方案并不是传统常见的 multi-task learning、soft/hard parameter  sharing那一套。而是通过将不同领域的节点、关系都建模在一幅图中，通过图卷积，完成知识从数据丰富的领域向数据稀疏领域的迁移，并兼顾两个领域的指标。所以，本文展现了GNN在迁移学习、多任务学习方面的强大能力，为我们解决类似问题提供了全新的思路。

2. 如上所述，微信团队需要在包含多 域信息的异构图上完成图卷积，每个节点要聚合来自多个领域的异构消息。之前传统的聚合方式，如mean/max pooling，矩阵相乘，可能带来异构消息相互抵销而引入信息损失。为此微信团队采用了GraphSAGE+FM+Transformer多种手段，从不同粒度来交叉、聚合消息，极大提升了模型的表示能力，这种新的消息聚合方式值得借鉴。

接下来，我们先看一下文章所描绘的场景和难点，"设身处地"想一下：如果让你解决这一问题，你会采取什么样的方案？然后再对照文章中所提供的方案，才能体会出作者的"匠心独具"，才能真正有所收获，而不是被动填鸭式地等作者把方案扔到你脸上。

场景与难点

微信团队面临的场景是：

• 每个视频都打有若干tag（人工标注或由内容理解算法打上的）

• 用户观看视频时，需要有算法从这个视频自带的tag中挑选出与当前用户最相关的若干个tag，展示在视频的下方。

• 用户点击某个tag，会进入一个沉浸式频道，其中展现的全部是与该tag相关的视频

这个场景对于算法的要求

1. 推荐出来的tag必须是个性化的。比如对于“小美女的东京美食攻略”这样的视频，对于吃货用户，应该把“美食”排在第一位；对于旅游达人，应该把“日本”排在第一位；对于宅男，则应该把“美女”排在第一位。唯有如此，才能吸引用户进入相应的频道，观看更多同类型的视频。

2. 推荐的结果，既要吸引用户点击tag，但是最终目标是为了提升用户的观看时长

而这个问题的难点在于：用户点击视频的行为比较丰富，但是用户点击tag的行为比较稀疏，训练数据不足。

第一个方案：只考虑tag-video的相关性

描述完场景，请你"设身处地"地想一下，如果是你领受到了这个任务，你该如何去做?

如果是我，第一个进入我脑海中的方案，就是训练一个模型，输入视频的多模态信息(标题、封面图、关键帧)，输出是与这个视频最match的tag。训练时，拿人工打标的结果作为label。线上serving时，将预测出来的top-K个标签，展示在视频的下方。

这个方案可行，但是其只利用了视频的静态属性，没有用户的信息，所以推荐出来的tag只有与视频在语义上的相关性，完全没有针对当前用户的个性化，不满足业务需求。

第二个方案：引入用户行为

为了克服第一个方案没有使用用户行为的缺陷，我想出第二个方案

1. 假设我们已经有了tag embedding

2. 用户的embedding是其过去有过"正交互"的tag embedding的pooling

• 所谓“正交互”，可以是用户过去一段时间内点击过的tag

• 但是考虑到user-tag的交互太稀疏，因此可以选用户过去点击过视频所携带的tag

• pooling时，也可以考虑进播放完成度、时间衰减等因素，进行加权平均。

• 线上serving时，拿user embedding在当前视频所携带的tag embedding中寻找Top-K近邻，展示在视频下方。

• 但是还遗留一个问题，就是第1步中怎么才能得到tag embedding? 我能想到的第一个方案就是用tag的word embedding。

  怎么评价这一方案：

  1. 这个方案，考虑了用户的历史，应该比第一个只考虑tag-video相关性的方案，有更强的个性化。

  2. 但是拿word embedding做tag embedding，仍然只考虑了tag的语义信息。根据我的经验，也正如文中所说，用户行为蕴含的信息，要比语义信息，更加重要

  3. 但是，用户与tag的交互行为太少了，很难在“用户点击tag的序列”上套用word2vec来学习到tag embedding

  看GraphTR如何得到优质的tag embedding

  讲到这里，终于引出微信的GraphTR模型的思路：

  • GraphTR是为了要学习优质tag embedding，为此要注重利用用户的行为信息

  • 但是由于user-tag的行为太稀疏，因此GraphTR需要通过user-video的行为学习到tag embedding

  要达成以上目标，也有多种作法。而GraphTR的做法是：

  • 将user, video, tag（还加上video的来源media）都放入一个大的异构图

  • 通过图卷积，学习到video embedding，再建模video与video之间的相关性（比如在同一个session中播放过）

  • 因为video embedding融合了tag embedding，因此在优化目标达成之后，一个优质的副产品就是得到tag embedding

  接下来，让我们看看，GraphTR是如何构建这个异构图的？如何传递、融合图上异构节点的信息？如何定义loss?

  GraphTR 第1步 ：构建异构图

  图上要包括：user, video, tag, media (视频来源)这 4类节点。因为用户数目太多，而每个用户的行为相对稀疏，GraphTR将用户按照gender-age-location分成84000组，用user group替代user，在图中建模。

  而图上要包括以下5类边（这一版本暂时不考虑边上的权重）：

  1. video-video：同属一个观看session中的两video之间有边

  2. user-video：某视频被某user group一周观看超过3次。

  • 因为user-tag行为稀疏，因此图中没有user-tag的边

• video-tag：video和其携带的tag

• video-media：video和其来源

• tag-tag：两个 tag属于同一个视频

• GraphTR 第2步：聚合异构节点

  为了完成user, video, tag, media这四类节点的信息融合，GraphTR设计了3层卷积结构，称为Heterogeneous field interaction network (HFIN)。

  

  最底层：Heterogeneous Feature Layer

  其作用是由3-hop的邻居，聚合生成2-hop邻居上的信息。将2-hop邻居的embedding分为4个域，user/video/tag/media域的特征，分别由节点类型为user/video/tag/media的3-hop的邻居的embedding相加而成。

  3-hop的节点的embedding如何而来? 每种类型的节点定义一个embedding矩阵，3-hop的节点embedding从相应类型的embedding矩阵映射得到。

  中间层：Multi-field Interaction Layer

  这一层的任务是由2-hop邻居的embedding，聚合生成1-hop邻居的embedding。而HFIN采用了GraphSAGE+FM+Transformer三种方式，粒度上从由粗到细，完成聚合。

  GraphSAGE聚合

  最传统，也是最粗粒度的一种聚合方式。从Heterogeneous Feature Layer可以看到，每个2-hop邻居的embedding，由
  
  
  
  
  
  

  
  
  
  
  
  
  
  
  
  (video)、
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  (tag)、
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  (media)、
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  (user)4个域组成。而GraphSAGE不区分各域，而是将所有域拼接成一个大向量
  
  
  
  
  
  
  
  
  
  ，拿
  
  
  
  
  
  
  
  
  
  在邻居之间传递、聚合。

  

  而聚合方式就是标准的GraphSAGE GCN Aggregator。其中
  
  
  
  

  
  
  
  
  
  就是destination node自身；
  
  
  
  
  
  
  
  
  
  代表destination node的n个邻居之一；
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  是由GraphSAGE方式聚合得到的1-hop节点embedding。

  

  FM聚合

  上述GraphSAGE聚合，不区别各域，粒度较粗。而FM聚合，区分各域，因此粒度更细一些。

  1. 首先，所有2-hop邻居按域平均，再线性变换至统一的维度。以video域
     
     
     
     

     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     为例，一共1+n个节点，n个邻居
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     ，1个节点自身
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     

  

  1. 然后再拿4个域的平均向量，两两交叉，让不同域的信息充分融合。
     
     
     

     
     
     代表element-wise product。
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     得到的代表由FM方式聚合得到的1-hop节点的embedding

  

  Transformer聚合

  这是最细粒度的聚合方式，也是最复杂的。但是，原文中还将它放在第一个讲，让人摸不着头脑，感觉come from nowhere。其实如果把它放到FM聚合后面，就变得清晰了，可以发现Transformer聚合是FM聚合的升级版本。

  GraphTR觉得FM聚合时，各域节点（即各域特征）交叉得还不够

  1. FM聚合，只有在第2步才做域与域之间的交叉。

  2. 而在一个域内部，这n+1个特征之间，只有简单pooling，不存在交叉。

  3. FM聚合的第1步，每个域average pooling的是，这1+n个节点的原始特征。

  Transformer聚合，希望增强各域节点（即各域特征）的交叉

  • 第2步，基于FM的域与域之间的两两交叉，还保留

  • Transformer决定在第1步引入交叉。具体方式就是，在一个域的1+n个节点之间进行Transformer变换，重新生成1+n个向量，每个新向量是老向量的加权平均，权重是当前老向量相对于其他老向量的attention score。(一套attention恐怕没有代表性，还引入多头机制)

  • 再拿生成的1+n个新向量，做average pooling

  

  然后，第2步与FM聚合一样，做不同域之间的两两交叉，最后将“域间交叉结果”与"域内交叉结果"拼接在一起返回
  
  
  
  

  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  ，作为由Transformer聚合得到的1-hop邻居的embedding。论文的实验结果证明，这个最复杂、最细粒度的聚合，对于模型性能的提升也最大。

  

  最后1-hop邻居节点的embedding

  三种聚合方式，从三种不同粒度对于不同类型的邻居节点上的信息进行聚合

  • GraphSAGE聚合，最粗，不区分域

  • FM聚合，细致一些 ，考虑了不同域之间的两两交叉

  • Transformer聚合，最细，不仅考虑了不同域之间的交叉，还考虑了一个域内部多个特征（异构节点）之间的交叉

  1-hop邻居的最终embedding，是这三种聚合结果的拼接

  

  最上层：The Second Aggregation Layer

  这一层负责由1-hop邻居节点（1个target node自身，m个邻居节点，一共1+m个）的embedding(下边公式中的矩阵H)，生成target node上的embedding。聚合方式也是基于Transformer的，

  • 根据1+m个原向量，生成1+m个新向量，每个新向量是所有老向量的加权平均，权重是当前原向量与其他原向量的attention score

  • 再拿这1+m个新向量，取平均，得到target node上的最终向量表示

  

  GraphTR 第3步：建模节点间的相关性

  通过以上三层卷积，就能够给图上所有类型的所有节点，都产生一个embedding。接下来的问题就是，如何定义优化目标，使这些节点的embedding得到优化？

  这一部分的解决方案比较常规，无非就是建模节点之间的相关性，可以有选择是:

  • 建模user-tag之间的相关性，user与点击过的tag之间的距离要尽可能小。但是user-tag之间交互的数据太少。

  • 建模user-video之间的相关性，user与点击过的视频之间，距离应该较近。但是图上建模的不是单个user而是user group，一个user group包含的用户兴趣太复杂，拿user-goup与video训练，可能噪声比较大。

  • 建模video-video之间的相关性，在同一个session被观看的视频之间，距离要尽可能小。因为video的点击行为比较多，这方面的数据比较丰富，文中采用的是这种方案。

  接下来Loss的设计就比较常规了，照搬word2vec，也就是：节点
  
  
  
  

  
  
  
  
  
  与其相关节点
  
  
  
  
  
  
  
  
  
  的点积大，与随机节点
  
  
  
  
  
  
  
  
  
  的点积小。

  

  尽管这个训练目标中的
  
  
  
  

  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  都是video节点上的embedding，但是由于在生成
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  的过程中，也聚合了tag的embedding，因此待以上目标优化达成后，得到tag embedding也是最优的。

  将这些tag emedding代入上文的"第二个方案"，即拿用户观看过视频携带的tag的embedding加权平均得到user embedding，再拿这个user embedding在当前视频所携带的tag的embedding中寻找出距离最近的top-k个tag，作为推荐结果显示在视频的下方。因为这些tag embedding蕴含了丰富的user-video行为信息，不仅有助于提升用户对tag的点击率，也有助于提升进入沉浸式tag频道后的观看时长。

  总结

  至此，微信的GraphTR模型就解读完毕，总结一下这个模型的两个亮点:

  • 微信团队面临的是，数据少的领域如何借力于数据多的领域，同时要兼顾两个领域的优化目标。而他们没有采取传统的“迁移+多目标”的方式，而是通过将不同领域的不同节点、关系建立在一张异构图上，通过图卷积，使得每个节点的embedding都浓缩了多个领域的知识，达成了“知识迁移+目标兼顾”。GraphTR在微信这种大规模推荐场景下的成功运用，展现了GNN在迁移学习、多任务学习方面的强大能力，为我们解决类似问题提供了全新的思路。

  • GraphTR采用了GraphSAGE+FM+Transformer多种手段，粒度上从粗到细，交叉、聚合来自不同领域的异构消息，相比于mean/max pooling、浅层FC等传统聚合方式，极大提升了模型的表达能力，值得借鉴。