LinkedIn 是如何用图神经网络扩充会员知识图谱的？

LinkedIn 的会员可以在自己的档案中填充个人信息，例如工作经历、教育经历、技能专长等等。从会员的输入中，我们利用人工智能模型来抽取他们的档案属性或档案实体。这个过程被称为标准化和知识图谱的构建，并生成与会员有关的实体的知识图谱。

这是了解会员档案的重要一环，以便我们能在这个平台上为会员提供更多的相关工作、新闻报道、联系和广告。作为这一过程的一部分，我们也试图对“缺失”的档案实体进行推理，这些实体在现有知识图谱中并没有抽取。比如，一个会员掌握机器学习的技能，在谷歌工作，我们就推断出，这名会员精通 TensorFlow，尽管他们目前的档案中并没有这么说。

有一些原因可以解释为何总有一些缺失的实体。首先，大部分实体抽取技术都是依赖于文本信息。如果在文本中没有特别提及某个实体，则这些模型很有可能错过这个实体。第二，会员不一定会提供全部信息。比如，会员可以不把自己掌握的全部技能都列出来，而是把自己的一些技能放在自己的档案里。通过对缺失的实体进行推理，我们可以在 LinkedIn 的产品中为会员提供更好的推荐。比如，我们可以展示更多的相关工作、新闻报道和他们可能认识的人。

推理缺失的实体具有挑战性，因为它需要对会员的档案有一个整体的理解。当前的实体抽取技术是以文本为主要输入，不能对文本中没有明确提及的实体进行推理。

本文的目的是通过从会员输入的实体，对缺失的实体进行推理。比如，我们想要利用实体“机器学习”和“谷歌”来推理“TensorFlow”。这里的困难在于将多个实体之间的交互考虑在内。有几种简单的统计方式可以从单一的实体中寻找相关的实体，例如，点互信息（pointwise mutual information，PMI）。但是，如果我们仅从“谷歌”中选择相关技能，那么我们就有很大的机会最终得到其他推理的技能，比如“MapReduce”或者“Android”，但与“TensorFlow”相比，它们在这个例子中的相关性并没有那么高。

在这篇博文中，我们将会探讨如何建立一种新的模型，利用图神经网络来解决这一问题。

我们的方法

我们将实体推理表述为图上的推理问题。图 1 是我们对表述的一个可视化。实线是给定会员的现有实体邻居，虚线是潜在的新邻居，在档案中没有明确提及。我们的目标是在给定现有邻居的情况下预测新的邻居，这可以理解为图设置中的标准链接预测问题。

图 1. 会员-实体知识图谱。连接到具有实线（以 ID 作为后缀）的会员的实体是其档案上的现有实体。连接到具有虚线（以“unk”为后缀）的会员是“未知”实体，它是由我们的模型推理而来。

本文采用图神经网络来解决连接预测问题。图神经网络（Graph Neural Network，GNN）是一种用于从图中抽取信息的神经网络，给定一个输入图，图神经网络为每个节点学习一个潜在的表征，这样一个节点的表征就是其邻居的表征集合。

通过这一过程，由图神经网络所学到的表征，可以在输入图中捕捉到连接的结构。在我们的设置中（如图 1 所示），我们的图神经网络将使用其邻居（会员及其实体）学习“company_unk”的表示，然后我们将使用该表示来预测这将是哪家公司；也就是说，我们通过聚合来自现有实体的信息，从而推理缺失的实体。

值得注意的是，由于现有的图神经网络采用了简单的聚合方法，例如平均法或者加权平均法，因此它们在聚合邻居（会员实体）方面存在差距。若现有实体之间存在复杂的交互，那么这种简单的聚合方法将会失效。

本文针对这个问题，提出了一种新型的图神经网络模型，我们称之为 Entity-BERT。这个模型采用了一个多层双向 Transformer 来进行聚合。给定一组现有的实体，我们采用了一个叫做 Transformer 的神经网络，通过计算每一对实体之间的交互（注意力）来更新一个节点的表示。为了捕获实体之间越来越复杂的交互，它会重复这一操作 6~24 次。

在自然语言处理的句子理解方面，多层双向 Transformer 具有卓越的表现，其目的在于理解给定句子中单词之间的交互。尤其是 BERT（Bidirectional Encoder Representation with Transformers，带 Transformer 的双向编码器表示），在各种自然语言处理任务中的性能，超过了其他非 Transformer 神经网络。我们相信，BERT 同样能够提高实体推理的性能。我们的类 BERT 聚合器的结构如图 2 所示。

图 2. Transformer 聚合器。输入是一个给定会员的邻居实体。输出 E[CLS] 嵌入对应于该会员。

训练和推理

该模型通过自我监督进行训练。给定一个会员档案，我们从他们的档案中屏蔽或隐藏一些属性，并学习如何预测被屏蔽的属性。我们用 [MASK] 替换每个会员档案中 10% 的实体，并按其类型（技能、职称、公司、学校等）进行分组。

图 3 展示了一个例子，其中公司和技能被屏蔽了。受自然语言处理中 BERT 的启发，我们也将实体类型作为一个额外的输入，并且给它们分配了类型 ID。例如，公司→1，行业→2，技能→3，职称→4。

图 3. 自我监督的训练

在评分/推理过程中，我们将某些屏蔽的实体添加到会员的档案中，并且指定每个屏蔽的类型。一个例子如图 4 所示。在这里，会员已经拥有了诸如 itle_9、Company_1337、Industry_6、Skill_198 和 Skill_176 等标准化的实体。我们希望为这个会员预测隐藏的技能。因此，我们将一个 [MASK] 实体附加到技能类型上。模型随后会在与 [MASK] 相同的位置输出技能。

图 4. 推理管道

成果

应用 1：技能推荐

我们的技能推荐系统推荐会员可能具备的技能，但这些技能在他们的档案中并没有提及。当会员点击档案的“技能认可”中的“添加技能”（Add a new skill）时，它就会被触发（如图 5 所示）。在新会员创建新的档案时，它也会向他们展示（如图 6 所示）。

图 5. 当会员在其档案上点击“添加技能”按钮时，展示的推荐技能。

图 6. 推荐技能的指导性编辑。

我们利用 Entity-BERT 来推理和推荐未在会员档案上提及的技能。通过将 Entity-BERT 与之前使用会员当前实体并进行简单汇总的方法进行比较，我们观察到，利用基于 Entity-BERT 的方法，可以让会员接受更多推荐。我们还观察到，这些额外的技能使得更多的会员参与，比如更多的会议。

应用 2：广告受众拓展

LinkedIn 的广告商通过会员档案属性指定他们的目标受众，比如向人工智能工程师展示广告。另外，他们中有些人还会选择受众拓展，将受众拓展到拥有类似实体的其他会员，比如向人工智能工程师和人工智能研究人员展示广告。

我们利用 Entity-BERT 对会员的档案实体（公司、技能和职称）进行扩展，并利用这些扩展的实体来拓展受众。在线上 A/B 测试中，与之前没有 Entity-BERT 的扩展模式相比，通过 Entity-BERT 进行的受众拓展，其带来的广告收入在统计学上显示出了重大影响，而不会影响到用户体验（如广告点击）。

结语

在这篇文章中，我们介绍了 Entity-BERT，它是一种新型的图神经网络，可以从现有的会员知识图谱中推理出缺失的会员实体。Entity-BERT 的创新之处在于，它使用了多层双向 Transformer 来捕捉现有实体之间的交互。Entity-BERT 已经表明，它能够有效地对缺失的实体进行推理，从而对产品产生重要的影响。

作者介绍：

Jaewon Yang，LinkedIn 高级软件工程师，韩国人。

Jiatong Chen，LinkedIn 高级软件工程师，中国人，毕业于中国科技大学，耶鲁大学研究生。

Yanen Li，LinkedIn 机器学习工程主管，中国人，毕业于华中科技大学，伊利诺伊大学香槟分校博士生。

原文链接：

https://engineering.linkedin.com/blog/2021/completing-a-member-knowledge-graph-with-graph-neural-networks