阿里大规模图嵌入模型 EGES 论文解读

在大规模电商推荐系统中，至少都包含了两个过程，针对用户的候选召回（Match）以及对候选商品的精排（Rank），有时候还需要线上的策略调控（Re-rank）。本文讲解的 EGES 模型借助随机游走的思想对各种商品做图嵌入，然后用于相似推荐场景的召回过程。

图构建

文章首先介绍了如何抽取数据来构造图与随机游走序列，具体做法是：

1. 以60分钟为窗口抽取用户的点击序列，如下图中的(a)所示。
2. 按照点击顺序构造有向图，如下图中的(b)所示，边的权重是所有用户对两个关联商品的点击次数之和。
3. 对图的每个节点 根据边的权重 以不同的概率进行随机游走，得到商品序列，如下图的©所示。

作者还提到在抽取数据的时候，过滤了以下几种情况：

1. 点击后的停留时间小于1秒，很可能是误点。
2. 过于频繁进行购买的用户，可能是刷单行为。
3. 商品信息频繁变更的商品，因为有可能变成了完全不同的商品。

BGE (Base Graph Embedding)

这是论文提出的第一种图嵌入模型，每个节点以指向邻居的边的权重归一化后的值作为概率进行游走，概率计算公式如下：

其中，$N_{+}(v_i)$ 是节点 i