RankGraph-2 : Une approche unifiée pour l'apprentissage des graphes dans les recommandations

Le défi de la récupération basée sur les graphes à l'échelle de milliards de nœuds implique de s'attaquer à trois problèmes interconnectés : la construction de graphes, l'apprentissage de représentations et le service en temps réel. Les méthodes traditionnelles traitent souvent ces aspects séparément, entraînant des inefficacités. RankGraph-2, développé par Meta, présente un cadre intégré qui aborde simultanément ces composants du cycle de vie pour la récupération basée sur la similarité, y compris les interactions utilisateur-utilisateur et utilisateur-article. La conception du cadre garantit que les besoins d'une étape influencent les autres. Par exemple, la phase de service utilise un index de cluster co-appris pour atténuer les coûts élevés associés aux voisins les plus proches en ligne, intégrant cela dans le processus d'apprentissage. De plus, la phase d'apprentissage tire parti du fait que la récupération basée sur la similarité peut fonctionner efficacement avec des quartiers pré-computés, minimisant ainsi le besoin d'une infrastructure de graphes en ligne étendue. La phase de construction est conçue pour rafraîchir la couverture des articles sur une base horaire. En mettant en œuvre des techniques de sous-échantillonnage avec correction de biais de popularité, RankGraph-2 réduit le nombre d'arêtes de centaines de trillions à des centaines de milliards. Il pré-calcule également des quartiers multi-sauts en utilisant PageRank personnalisé et co-apprend un index de cluster de quantification résiduelle, entraînant une réduction de 83 % des coûts de service. Ce co-design innovant du cycle de vie atteint un taux de rappel 3,8 fois supérieur à celui d'un modèle GAT + Deep Graph Infomax et 2,1 fois supérieur à PyTorch-BigGraph, contribuant à des augmentations significatives des taux de clics et des taux de conversion sur diverses plateformes.