论文名：《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba(kdd 2018)》

模型是做什么的？
模型输入是用户点击流+物品属性
模型输出是每个item对应的低维向量

abstract&introduction

Taobao是国内最大的C2C平台，推荐系统面临3个问题:

• scalability
• sparsity
• cold start

本论文解决这个问题，基于 graph embedding 方法。

two-stage recommending framework

2 stage 分别是

• matching ：生成candidate
• ranking ：用DNN做个排序

本文专注 matching 问题，核心问题是基于用户行为计算出物品的两两相似度（ pairwise similarities between all items based on users’ behaviors）

以前的方法是 CF 方法（collaborative filtering），但CF的缺点是只考虑物品在用户行为中同时出现这种情况。CF based methods only consider the co-occurrence of items in users’ behavior history
本文的方法规避了这种不足。

但仍然存在 冷启动 的问题，为了解决这个问题，使用 side information 去增强 embedding 过程。
例如，同一品牌、品类的商品，应该更近一点。
但是，Taobao 的 side information 有几百种，而且直觉能想到，不同的 side information 权重肯定不同

Alibaba graph-embedding

构造图的策略

CF 策略只考虑了 co-occurrence，没考虑 sequential information

• 将每个用户浏览序列sequence，做session分隔，1个sequence->n个sessions，每个session 构成一个sequence
• 将所有sequence构成有向有权图，
• 权重是次数之和
• 该步骤需要过滤掉：
  • 少于1秒的点击：可能不是用户有意点的
  • 点击量太多，或购买量太多的用户，可能是 spam user
  • 同样的ID，可能实际商品变了，这也要移除。

DeepWalk

在 graph 上做随机游走。

Graph Embedding with Side Information

为了解决 “cold-start” 问题

side information 指的是品类、店铺、价格等。

例如，同一个店铺的两个羊毛衫，应当较近。Nikon lens和Canon Camera应该很近（品类和品牌接近）

模型做法是把 side information 作为特征，然后求均值（GES模型）
现实中，特征的权重肯定是不一样的。例如，买iPhone的人，更可能买mac，这里品牌权重大。买衣服的，可能买同一家店铺的另一个品牌的衣服，为了优惠，这里店铺特征权重大。所以引入EGES模型。
这个模型给每个item的每个side information 特征，加一个权重。

• 权重值形如 $e^x$，而不是x，这是为了保证权重为正）
• 引入item对field weights: 建立一个MxN的大权重矩阵，学习每个item在各个标签field上的权重
• 新item的表示: item将由其本身的id特征、其他标签特征、特征权重共同表达，如果新item没有id特征，则只用标签特征做加权平均模拟，加到向量模型

算法流程

实验

离线

在亚马逊和阿里的数据上进行了实验。

• 随机选择1/3的边，作为test set，并且移除，剩下的作为训练集
• test set 中，相同数量的 node paris（不相互连接的），作为test set 的负例。

Taobao 数据，按经验选了12个比较重要的 side information

在线AB test

使用CTR指标

模型部署

离线+在线的形式，不多写了。

Airbnb word2vec

另有一片 airbnb 的文章，大体类似，细节不同

• reference《Real-time Personalization using Embeddings for Search Ranking at Airbnb(kdd 2018)》
• 提出了自己的冷启动策略
• 通过修改采样模式来优化word2vec的策略

采样策略

global context：

• 如果用户点击了 like/share，那么这个session内，这个条目与每个浏览都形成点击对（窗口无限大）

• 另一个做法（美图秀秀）做了借鉴。他们有dislike这个行为，那么条目作为负例。

• 用session分割点击序列：将用户点击序列过滤再分段成n个sessions，一个session指的是相邻item时间间隔≤30mins的”有效”行为序列
• 局部负例采样：提出要额外从同属一个cluster的其他item里抽负样本
• 付费行为强化：点击序列中若有付费行为，则将这个 item 强制纳入该序列每个item的上下文窗口

冷启动策略

• airbnb并没有做end2end的学习属性的embedding，而是直接把new item按主要属性检索到最相似的top3个已知的item，取3个item向量的平均值初始化new item embedding