早期工作Fi-GNN

《Fi-GNN: Modeling Feature Interactions via Graph Neural Networks for CTR Prediction》CIKM’19

类似session-base RS里的SR-GNN，是GNN最早用在CTR上的模型，所以成了经典baseline。

Motivation

CTR模型的输入由以下几部分组成：用户id、用户特征、用户历史行为、物品id、物品特征。由于模型输入有特征，因此简单的 LR 模型就可以实现CTR任务，但是LR只根据一阶特征进行预测，因此大量的CTR模型都在追求有效的“特征组合”方法，以利用到“高阶特征”。

FM、FFM、Wide&Deep、DCN、xDeepFM等模型都是为了学习高阶特征而设计的，然而作者认为这些特征组合方法是“unstructured combination”的！ 为了利用特征之间的结构特性，作者利用GNN来建模特征交互。

因此在这篇文章中是把一个特征field当作一个节点（也可以理解为一个特征是一个节点，因为一个field最后只产出一个embedding），构成一个Feature Graph。比如一条样本：用户id、城市、性别、职业，那么Feature Graph就有这四个节点构成，图上的边表示特征交互。

Method

由Fi-GNN的模型图可以看出，需要重点理解的是红框内的模块，其余模块很好理解。

Feature Graph

Feature Graph是个全连通图，每个特征节点都和其他特征节点都有一条边相连（假设共 $m$ 种，文章数据集种分别是23和39），边的权重是由Attention计算出来的。
$$w\left(n_i,n_j\right)=\underset{{\sum }_k\exp \left(\mathrm{LeakyRelu}\left({\mathrm{W}}_w\left[{\mathrm{e}}_i\Vert {\mathrm{e}}_k\right]\right)\right)}{}$$