OmniSage：大规模多实体异构图表示学习

OmniSage 面向 Pinterest 的搜索与推荐应用，研究如何统一图关系、用户活动序列及文本与视觉内容，学习可服务多种应用的通用实体表示。基于摘要分析，其主要贡献是将图神经网络、内容模型和用户序列模型纳入同一表示学习框架，并提供支持大规模图训练与推理的基础设施。 机制上，OmniSage 通过多项对比学习任务处理图数据、用户序列数据和内容信号，试图兼顾实体关系、行为的时间演化与内容语义。摘要未披露具体实体类型、图结构、正负样本构造、损失组合或表示共享方式，这些实现细节尚未验证。 作者报告，其基础设施能够支持具有数十亿节点的 Pinterest 图；在五项应用中使用所学习的通用表示后，全站 repins（收藏）约增加 2.5%。这一结果属于搜索与推荐场景的线上业务指标，不能等同于离线表示质量，也不能外推为 EEG 或 BCI 效果。该增幅的统计口径、实验周期、对照基线及显著性，以及各应用的独立贡献，均需核对全文。 摘要提供了公开模型代码链接，可作为后续核对实现的入口，但训练数据、配置与完整复现条件尚未验证。该研究并非 EEG 或 BCI 方法，摘要也未建立其用户行为与内容图结构同神经信号之间的具体对应关系，因此暂不提出跨领域复现实验建议；已有 EEG 相关工作尚未检索确认。实验协议、消融及统计信息尚未验证。