模背景：将之前的图神经网络直接应用于该异构图宽泛检索任务会遇到意图不可区分性的问题用户搜索词表达了多种多样的意图，对于同一个曝光卡片，具有不同意图的用户可能会关注不同部分（菜品、商家等），但是现有间的差异统一建模
动作：我们提出多意
牙买加 WhatsApp 号码列表 图差异化建模，通过多意图对比学习方式解决之前忽视意图之间差异性问题具体的我们在语言模型（）中引入了意图感知节点，能够为同一个节点获得不同意图表示中通过设计聚合函数让每个意图节点更多地关注来自具有相同意图的边的邻居节点（公式如下）最后提出了一个多意图对比学习目标（公式如下），以明确而有效地指导图模型显示建模不同意图的差异性
详细信息可以去阅读我们的论文-[]结果：多意图对比学习带来离线+8%，多意图表征带来离线多业务平均+8%其中[]是参数，[]表示边[]的意图；请注意，图神经网络（）只聚合相同意图的邻居的表示，即[]
