論文の概要: Large Scalable Cross-Domain Graph Neural Networks for Personalized Notification at LinkedIn
- arxiv url: http://arxiv.org/abs/2506.12700v1
- Date: Sun, 15 Jun 2025 03:21:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:46.706987
- Title: Large Scalable Cross-Domain Graph Neural Networks for Personalized Notification at LinkedIn
- Title（参考訳）: LinkedInのパーソナライズ通知のための大規模スケーラブルなクロスドメイングラフニューラルネットワーク
- Authors: Shihai He, Julie Choi, Tianqi Li, Zhiwei Ding, Peng Du, Priya Bannur, Franco Liang, Fedor Borisyuk, Padmini Jaikumar, Xiaobing Xue, Viral Gupta,
- Abstract要約: 我々は、ユーザ、コンテンツ、アクティビティの信号を1つの大規模グラフに統合する、LinkedInにデプロイされたドメイン間GNNベースのシステムを提案する。
このクロスドメイン構造をトレーニングすることにより、クリックスルー率(CTR)予測やプロフェッショナルエンゲージメントなど、キータスクにおける単一ドメインベースラインを著しく上回ります。
- 参考スコア（独自算出の注目度）: 8.703891124222936
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Notification recommendation systems are critical to driving user engagement on professional platforms like LinkedIn. Designing such systems involves integrating heterogeneous signals across domains, capturing temporal dynamics, and optimizing for multiple, often competing, objectives. Graph Neural Networks (GNNs) provide a powerful framework for modeling complex interactions in such environments. In this paper, we present a cross-domain GNN-based system deployed at LinkedIn that unifies user, content, and activity signals into a single, large-scale graph. By training on this cross-domain structure, our model significantly outperforms single-domain baselines on key tasks, including click-through rate (CTR) prediction and professional engagement. We introduce architectural innovations including temporal modeling and multi-task learning, which further enhance performance. Deployed in LinkedIn's notification system, our approach led to a 0.10% lift in weekly active users and a 0.62% improvement in CTR. We detail our graph construction process, model design, training pipeline, and both offline and online evaluations. Our work demonstrates the scalability and effectiveness of cross-domain GNNs in real-world, high-impact applications.
- Abstract（参考訳）: 通知レコメンデーションシステムは、LinkedInのようなプロフェッショナルなプラットフォームでユーザーエンゲージメントを促進するために重要である。
このようなシステムの設計には、ドメイン間の異種信号の統合、時間的ダイナミクスのキャプチャ、複数の競合する目的の最適化などが含まれる。
グラフニューラルネットワーク(GNN)は、そのような環境で複雑な相互作用をモデル化するための強力なフレームワークを提供する。
本稿では、ユーザ、コンテンツ、アクティビティの信号を1つの大規模グラフに統合する、LinkedInにデプロイされたドメイン間GNNベースのシステムを提案する。
このクロスドメイン構造をトレーニングすることにより、クリックスルー率(CTR)予測やプロフェッショナルエンゲージメントなど、キータスクにおける単一ドメインベースラインを著しく上回ります。
時間的モデリングやマルチタスク学習などのアーキテクチャ革新を導入し、パフォーマンスをさらに向上する。
LinkedInの通知システムにデプロイされた当社のアプローチでは,毎週のアクティブユーザ数が0.10%,CTRが0.62%向上しました。
グラフ構築プロセス、モデル設計、トレーニングパイプライン、オフラインおよびオンライン両方の評価について詳述します。
本研究は,実世界の高インパクトアプリケーションにおけるドメイン間GNNのスケーラビリティと有効性を示すものである。
関連論文リスト
- Behavior Importance-Aware Graph Neural Architecture Search for Cross-Domain Recommendation [49.03831702224862]
クロスドメインレコメンデーション(CDR)は、レコメンデーションシステムにおけるデータの分散とコールドスタートの問題を軽減する。
グラフニューラルネットワーク(GNN)を用いた最近のCDRアプローチは、複雑なユーザとテムのインタラクションをキャプチャする。
BiGNASは、GNNアーキテクチャとCDRのデータ重要度を共同で最適化するフレームワークである。
論文 参考訳（メタデータ） (2025-03-11T04:30:18Z) - RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。
RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
論文 参考訳（メタデータ） (2025-02-10T18:58:40Z) - ReInc: Scaling Training of Dynamic Graph Neural Networks [6.1592549031654364]
ReIncは、大規模グラフ上で動的グラフニューラルネットワーク(DGNN)の効率的かつスケーラブルなトレーニングを可能にするように設計されたシステムである。
DGNNに固有のグラフニューラルネットワーク(GNN)とリカレントニューラルネットワーク(RNN)のユニークな組み合わせを活かした重要なイノベーションを紹介する。
論文 参考訳（メタデータ） (2025-01-25T23:16:03Z) - One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [59.7297608804716]
複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。
既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。
我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
論文 参考訳（メタデータ） (2024-11-30T01:49:45Z) - Towards a graph-based foundation model for network traffic analysis [3.0558245652654907]
基礎モデルはネットワークトラフィックの複雑さを把握でき、最小限の微調整で特定のタスクや環境に適応できる。
従来のアプローチではトークン化ヘックスレベルのパケットデータを使用していた。
本稿では,フローレベルでグラフベースの新しい代替案を提案する。
論文 参考訳（メタデータ） (2024-09-12T15:04:34Z) - LinkSAGE: Optimizing Job Matching Using Graph Neural Networks [12.088731514483104]
本稿では、グラフニューラルネットワーク(GNN)を大規模パーソナライズされたジョブマッチングシステムに統合する革新的なフレームワークであるLinkSAGEを紹介する。
当社のアプローチは、数十億のノードとエッジを持つ、業界最大の、そして最も複雑な、新しい求人市場グラフに乗じています。
LinkSAGEの重要なイノベーションは、そのトレーニングと提供の方法論である。これは、不均一で進化するグラフ上の帰納的グラフ学習とエンコーダ-デコーダGNNモデルとを効果的に組み合わせている。
論文 参考訳（メタデータ） (2024-02-20T23:49:25Z) - LiGNN: Graph Neural Networks at LinkedIn [14.113156848246222]
本稿では,GNN表現学習の品質をアルゴリズム的に改善する手法を提案する。
LinkedInのグラフに関する大規模なトレーニングを7倍に向上させた経緯を説明します。
私たちは、A/Bテストから集めたデプロイメントの教訓と学習を要約します。
論文 参考訳（メタデータ） (2024-02-17T00:10:33Z) - BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。
我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。
BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2023-10-26T17:03:14Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。