RankGraph-2: Un enfoque unificado para el aprendizaje de grafos en recomendaciones

El reto de la recuperación basada en grafos a la escala de miles de millones de nodos implica abordar tres problemas interrelacionados: la construcción de grafos, el aprendizaje de representaciones y el servicio en tiempo real. Los métodos tradicionales a menudo tratan estos aspectos por separado, lo que conduce a ineficiencias. RankGraph-2, desarrollado por Meta, presenta un marco integrado que aborda simultáneamente estos componentes del ciclo de vida para la recuperación basada en la similitud, incluidas las interacciones usuario a usuario y usuario a artículo. El diseño del marco asegura que las necesidades de una etapa influyan en las demás. Por ejemplo, la fase de servicio emplea un índice de clúster co-aprendido para mitigar los altos costos asociados con los vecinos más cercanos en línea, integrando esto en el proceso de entrenamiento. Además, la fase de entrenamiento aprovecha el hecho de que la recuperación basada en la similitud puede funcionar de manera efectiva con vecindarios precomputados, minimizando así la necesidad de una infraestructura de grafos en línea extensa. La fase de construcción está diseñada para refrescar la cobertura de artículos de manera horaria. Al implementar técnicas de submuestreo con corrección de sesgo de popularidad, RankGraph-2 reduce el número de aristas de cientos de trillones a cientos de miles de millones. También precomputes vecindarios de múltiples saltos utilizando PageRank personalizado y co-aprende un índice de clúster de cuantificación residual, lo que resulta en una reducción del 83% en los costos de servicio. Este innovador co-diseño del ciclo de vida logra una tasa de recuperación 3.8 veces mayor que la de un modelo GAT + Deep Graph Infomax y 2.1 veces mayor que PyTorch-BigGraph, contribuyendo a aumentos significativos en las tasas de clics y de conversión en diversas plataformas.