論文の概要: Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling
- arxiv url: http://arxiv.org/abs/2608.27413v1
- Date: Thu, 27 Aug 2026 17:41:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.514812
- Title: Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling
- Title（参考訳）: 友人推薦のためのグラフニューラルネットワークのスケーリング:マルチハッシュユーザ埋め込みと時間近傍サンプリング
- Abstract要約: 本稿では,ソーシャルグラフ作成のためのスケーラブルなエンドツーエンドGNNランキングシステムを提案する。
この設定において重要な2つの設計選択に焦点をあてる:マルチハッシュIDの埋め込みと時間的隣人サンプリングである。
当社のシステムは16%のリコメンデーションから友達のリコメンデーションを増やし、11.5%のユニークな友達のリコメンデーションを、強力な生産ベースラインから得ている。
- 参考スコア（独自算出の注目度）: 42.18510447563619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Friend recommendation is inherently graph-structured: the relevance of a potential connection depends on multi-hop social context rather than user attributes alone. However, deploying message-passing GNNs on a production-scale social graph with hundreds of millions of users and tens of billions of edges requires addressing numerous modeling and systems challenges. We present a scalable end-to-end GNN ranking system for production social graphs, focusing on two design choices that are critical in this setting: multi-hash ID embeddings and temporal neighbor sampling. Multi-hash embeddings are common for high-cardinality features, but industrial GNN systems typically either ignore trainable IDs or accept full embedding tables, exceeding 200 GB for our graph. We integrate multi-hash as the primary node representation, reducing the ID-embedding table size by more than 98 percent while preserving ranking quality. Temporal neighbor sampling is well understood in principle, but existing implementations scan full adjacency lists, which is a non-starter for users with tens of thousands of friends. We implement timestamp-sorted CSR storage with binary search, reducing the per-node temporal sampling cost from $O(deg(v) + k)$ to $O(\log(deg(v)) + k)$. Beyond these components, we show that this combination scales and yields measurable production impact. On a graph with 194M users and 28B edges, offline ablations isolate each design choice's contribution. In an online A/B test, our system increases friend additions from recommendations by 16 percent and unique friend adders by 11.5 percent over a strong production baseline. We release our framework for distributed training and inference on large temporal graphs.
- Abstract（参考訳）: フレンドリコメンデーションは本質的にグラフ構造であり、潜在的なコネクションの関連性は、ユーザ属性のみではなく、マルチホップのソーシャルコンテキストに依存します。
しかしながら、メッセージパッシングGNNを数億のユーザと数千億のエッジを持つ実運用規模のソーシャルグラフにデプロイするには、多数のモデリングとシステムの課題に対処する必要がある。
本稿では,マルチハッシュID埋め込みと時間近傍サンプリングという2つの設計選択に焦点をあてた,生産ソーシャルグラフのためのスケーラブルなエンドツーエンドGNNランキングシステムを提案する。
マルチハッシュ埋め込みは、高心拍数の特徴として一般的なものだが、産業用GNNシステムはトレーニング可能なIDを無視したり、完全な埋め込みテーブルを受け入れたりして、私たちのグラフでは200GBを超えている。
我々は、マルチハッシュを主ノード表現として統合し、ランキング品質を維持しながら、ID埋め込みテーブルのサイズを98%以上削減する。
時間的隣人サンプリングは原則としてよく理解されているが、既存の実装では完全な隣接リストをスキャンしている。
タイムスタンプにソートしたCSRストレージをバイナリ検索で実装し、ノード毎の時間サンプリングコストを$O(deg(v) + k)$から$O(\log(deg(v)) + k)$に削減する。
これらのコンポーネント以外にも、この組み合わせがスケールし、測定可能な生産への影響をもたらすことを示す。
194万のユーザと28Bのエッジを持つグラフでは、オフラインのアブリケーションがそれぞれの設計選択のコントリビューションを分離する。
オンラインのA/Bテストでは、当社のシステムは16%のリコメンデーションと、強力な生産ベースラインに対して11.5%のユニークなフレンド追加機能によって、友達の追加を増やす。
大規模な時間グラフ上での分散トレーニングと推論のためのフレームワークをリリースする。
関連論文リスト
- Dynamic Graph with Similarity-Aware Attention Graph Neural Network for Recommender Systems [0.0]
本稿では,動的グラフ類似性を考慮した注意グラフニューラルネットワークフレームワークを提案する。
動的ユーザ類似性グラフ構築と多相性伝播とアテンションベースのアグリゲーションを統合している。
MovieLens100Kベンチマークの実験では、DG-SA-GNNが0.162のRecall@20と0.065のNDCG@20を達成した。
論文 参考訳（メタデータ） (2026-05-02T16:33:39Z) - NOMAD: Generating Embeddings for Massive Distributed Graphs [10.29444459089447]
グラフやネットワーク上で成功した機械学習は、ノードとエッジを低次元ベクトルとして表現する埋め込みを必要とする。
本稿では,分散グラフのためのメッセージパッシングインタフェース(MPI)を用いた分散メモリグラフ埋め込みフレームワークであるNOMADを提案する。
論文 参考訳（メタデータ） (2026-04-10T15:30:43Z) - CombiGCN: An effective GCN model for Recommender System [0.0]
グラフニューラルネットワーク(GNN)は、協調フィルタリング(CF)研究の潜在的ラインを開く。
本稿では,ユーザ・イテム相互作用グラフ上にのみアイテムの埋め込みを線形に伝播させるリコメンデーションフレームワークCombiGCNを提案する。
また,実世界の3つのデータセット上で,CombiGCNと最先端モデルを比較検討した。
論文 参考訳（メタデータ） (2025-03-27T13:03:27Z) - GraphHash: Graph Clustering Enables Parameter Efficiency in Recommender Systems [51.64666652517944]
本稿では,モジュール性に基づく二部グラフクラスタリングを利用したグラフベースの最初のアプローチであるGraphHashを紹介する。
高速クラスタリングアルゴリズムを使用することで、GraphHashはプリプロセス中のメッセージパッシングの計算効率のよいプロキシとして機能する。
実験では、GraphHashは検索およびクリックスルーレート予測タスクの両方において、多様なハッシュベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2024-12-23T03:37:58Z) - 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) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - Modeling User Behavior With Interaction Networks for Spam Detection [4.795582035438343]
Spamは、Webスケールのデジタルプラットホームを悩ませる深刻な問題だ。
本稿では,新しいグラフフレームワーク上でのスパム検出モデルSEINEを提案する。
我々のモデルは、エッジタイプや属性とともに近隣を考慮し、幅広いスパマーを捕捉することができる。
論文 参考訳（メタデータ） (2022-07-21T21:34:56Z) - Large-Scale Network Embedding in Apache Spark [1.3769786711365102]
本稿では,Apache Sparkを用いた大規模グラフへのネットワーク埋め込みのための効率的かつ効率的な分散アルゴリズムを提案する。
提案手法は数時間で数十億のエッジを持つグラフを処理でき、最先端のアプローチよりも少なくとも4倍高速であることを示す。
論文 参考訳（メタデータ） (2021-06-20T04:42:24Z) - Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。
より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
論文 参考訳（メタデータ） (2021-03-05T10:46:16Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z)
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。