arXiv cs.IRは8月27日(現地時間)、マクシム・ウトゥシュキン氏、アンドレイ・オフシャンニコフ氏、アレクサンダー・ヂヤコノフ氏の3名が、友人推薦システムにおけるグラフニューラルネットワーク（GNN）の拡張に関する論文を発表した。この研究は、生産規模のソーシャルグラフでGNNを展開する際の課題克服を目指し、マルチハッシュID埋め込みと時間的近傍サンプリングという二つの主要な設計選択に焦点を当てている。
友人推薦はマルチホップな社会的コンテキストに依存するグラフ構造であるため、生産規模のソーシャルグラフでメッセージパッシングGNNを展開するには、モデリングとシステムの双方において多くの課題を解決する必要があるとされる。
研究チームは、これらの課題に対処するため、エンドツーエンドでスケーラブルなGNNランキングシステムを提案した。システムの主要な設計要素として、マルチハッシュID埋め込みと時間的近傍サンプリングが挙げられる。
マルチハッシュ埋め込みは、高基数特徴量に対して一般的に利用される手法である。従来のGNNシステムでは、訓練可能なIDを無視するか、200GBを超える完全な埋め込みテーブルを受け入れる必要があった。しかし、提案システムではマルチハッシュを主要なノード表現として統合することにより、ID埋め込みテーブルのサイズを98%以上削減しつつ、ランキング品質を維持することに成功した。
また、時間的近傍サンプリングについては、既存の実装が完全な隣接リストをスキャンするため、数万の友人が存在するユーザーに対しては効率が悪かった。これに対し、本研究ではタイムスタンプ順にソートされたCSR（Compressed Sparse Row）ストレージと二分探索を実装。これにより、ノードあたりの時間的サンプリングコストは$O(deg(v) + k)$から$O(\log(deg(v)) + k)$へと大幅に削減された。
1億9400万人のユーザーと280億のエッジを持つ大規模グラフを用いたオフラインアブレーションテストでは、各設計選択の貢献が個別に評価された。さらに、オンラインA/Bテストでは、既存の強力な生産環境ベースラインと比較して、推薦からの友人追加数が16%増加し、ユニークな友人追加者数も11.5%増加したと報告されている。このフレームワークは、大規模な時間的グラフにおける分散トレーニングと推論のために公開されている。
参考: arXiv cs.IR (アーカイブ) — 2026年8月28日 02:41 (JST)
原文ハイライト"Multi-Hash User Embeddings and Temporal Neighbor Sampling"