MoGE:基于图上下文增强的多任务推荐算法

多任务学习(Multi-Task Learning,MTL)通过信息共享来共同处理多个任务,已被广泛应用于大量推荐任务中.目前针对推荐的多任务学习方法,主要集中在基于共享输入特征(即描述用户-商品交互信息的特征工程)的多门控混合专家网络(Multi-gate Mixture-of-Experts,MMoE),以此来学习不同任务间的关联.最近的一些工作表明,图神经网络(Graph Neural Network,GNN)作为表征深度交互上下文的强大工具,被应用于推荐任务中,可极大地缓解在线个性化推荐服务中的数据稀疏问题.因此,我们通过设计混合图增强专家网络(Mixture of Graph enhanced Expert networks,MoGE),首次探索了用于多任务推荐的图神经网络结构.具体地说,我们提出了一种新的多通道图神经网络,利用用户-商品二部图,以及衍生的用户和商品的协同相似图来联合建模用户-商品的高阶交互信息.在学习到的深层次交互上下文的基础上,引入了一组图增强的专家网络,以协作的方式实现多任务推荐.在3个真实数据集上的实验结果表明,MoGE在所有目标任务上都持续且显著地优于最优的基线.

基于实时动态图联合学习框架的金融交易风控技术

金融交易风险防控是金融风控平台最重要的能力之一.近年来,随着金融风控平台智能化需求的不断升级,对其中相关应用算法的性能要求也水涨船高.目前业界已完成了两代针对金融交易行为的表征学习框架的迭代升级.第一代框架引入了金融交易活动参与者自身的历史行为序列,利用序列模型学习其历史行为特征.第二代框架通过一套实时大数据系统对资金流图进行建模,根据业务专家预定义的业务规则计算出需要的实时特征,并将其输入到后续的判别模型中.相比第一代,第二代框架引入了更多实时动态资金流图上的交互信息,因而取得了不错的性能提升.然而,第二代框架在精细化、智能化和时序建模方面仍存在较大不足.为了解决这些问题,本文针对性地设计了第三代框架,该框架通过动态图表征学习算法,从实时资金流图的原始数据中直接进行表征学习,以此规避了第二代框架中的诸多问题.总的来说,本文在时序信息建模和动态图框架层面均进行了创新性设计.在时序信息建模层面,利用了C2GAT模块(连续时间和上下文感知的图注意力神经网络),在动态多变的资金流图上快速地捕捉了高阶的结构化时序状态与信息.在动态图框架层面,开发了一套联合实时动态图表征框架——RULF,该框架可以实时刻画出金融场景中多用户资金行为中存在的特定模式.将金融场景中多角色联合行为和单角色独立行为进行了显式地解耦,并将多个子图模块联合起来学习,通过学习到更精准的行为表征,从而更进一步地提高下游判别模型的性能.本文将以花呗套现交易识别—一个典型的金融交易风控场景为例,介绍该框架在实际业务场景中的设计思想和实现细节.