EGES算法全面解读

最新推荐文章于 2024-06-14 11:14:58 发布
最新推荐文章于 2024-06-14 11:14:58 发布
阅读量3k 收藏 2
点赞数 1
分类专栏： 推荐系统 深度学习 文章标签： 深度学习 推荐系统 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/leigeno/article/details/118641601
版权
EGES算法源于阿里巴巴的论文，用于解决亿级规模商品推荐的扩展性、稀疏性和冷启动问题。该算法通过用户行为构建Item图，采用DeepWalk进行图嵌入，并结合Side Information优化，尤其在处理新商品时增强效果。算法分为匹配和排序两阶段，重点解决匹配阶段的商品相似性计算。实验表明，EGES在淘宝等大型电商平台上表现优秀。
摘要由CSDN通过智能技术生成

EGES算法实在论文《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》，主要用于商品推荐中。这篇论文的一作是阿里巴巴团队的，实验部分说该算法应用在了淘宝中。本人最近刚入职某公司，从事推荐算法的工作，因此后续会分享一下推荐相关的算法或者心得。

一、研究动机

   1. 扩展性。现有的大部分推荐系统可以运用在一百万的用户和商品中，但无法运用在拥有十亿的用户和二十亿商品的淘宝中。

   2. 稀疏性。用户往往只和少量的商品交互，因此很难去训练一个精确的推荐模型。

   3. 冷启动。淘宝上每小时会有百万级的新商品被上传。由于这些商品没有用户行为的信息（点击、购买等），因此很难预测用户对这些商品的喜爱程度。

    作者设计了一个两阶段的推荐框架：匹配（或召回）和排序。这也是一般推荐模型的框架。作者在这篇文件主要是解决了匹配阶段的问题，通过用户行为计算商品间两两的相似性。相似性topK的商品输入到排序阶段。接下来是算法流程。

                                                                         图1 

二、通过用户行为构建Item图

     统一将商品称为Item。用户的点击行为往往是序列化的，比如图1（a）中的用户U1，我们经常点击商品D后

最低0.47元/天 解锁文章
afterbug
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【推荐算法】Graph Embedding系列之EGES: Billion-scale Commodity Embedding for E-commerce Recommend in Alibaba
长相忆兮长相忆的专栏
07-13 1318
这篇paper是淘宝团队在2018年发表的一篇论文，在淘宝的推荐中，主要面临着三个技术挑战，分别是可扩展性(scalability)、稀疏性(sparsity)和冷启动问题(cold start)。论文的基本思想是在DeepWalk生成的graph embedding基础上引入补充信息，也就是将边信息引入到GraphEmbedding框架中，借此来解决上述的三个问题。
深度学习 - 39. EGES 与推荐系统用户冷启动
BITDDD小栈
04-10 925
阿里巴巴百亿级商品 Embedding 电子商务推荐之 EGES 算法。
推荐系统中的常用算法——基于Graph Embedding的GES和EGES
null的专栏
09-30 5476
1. 概述 GES和EGES是阿里在2018年提出的两个Graph Embedding算法，其中GES全称为Graph Embedding with Side Information，EGES全称为Enhanced Graph Embedding with Side Information。 2. 算法原理 参考文献 Wang J, Huang P, Zhao H, et al. Billion-scale commodity embedding for e-commerce recommendat
【推荐算法】召回模型总结
最新发布
m0_48086806的博客
06-14 2132
【推荐算法】召回模型总结
EGES召回原理与优化
console.log(**)的博客
08-14 1042
EGES召回原理和优化
【Graph Embedding】图嵌入的最佳实践—EGES（Enhanced Graph Embedding with Side Information）
zhong_ddbb的博客
10-15 2996
DeepWalk理论 DeepWalk的来源 图嵌入是指在图中随机游走生成顶点的序列，构成训练集，然后采用word2vec中的Skip_gram方法为图中的每个结点学习一个低维向量表示，这是一个无监督训练生成表示向量的过程。DeepWalk 出自论文：DeepWalk: Online Learning of Social Representations，最初提出是用于社交网络关系的提取。给定一个关系：GL=(V,E,X,Y),G_L= (V, E, X, Y ),GL​=(V,E,X,Y), 利用图结构中的
推荐系统之EGES
张先生－您好的博客
05-30 4048
推荐系统之EGES 前言（提前阅读） 淘宝平台推荐的三个问题： 可扩展性(scalability)：已有的推荐算法(CF，Base-Content，DL)可以在小数据集上有不错效果，但是对于10亿用户，20亿商品这样海量的数据集上效果差； 稀疏性(sparsity)：用户仅与小部分商品交互，难以训练准确的推荐模型； 冷启动(cold start)：物品上新频繁，然而这些商品并没有用户行为，预测用户对这些商品的偏好是十分具有挑战性的。 原理解析（参考代码） 数据预处理 数据预处理整体流程如下图： imp
【Pytorch基础教程34】EGES召回模型
发现问题，并解决问题，批判性思维
10-31 1089
某宝在19年提出的EGES模型，是加入side information的graph embedding方法，解决冷启动问题。核心任务在于基于用户行为计算所有项目之间的成对相似性。大致步骤为基于用户历史行为构造一个图，然后利用 Node2Vec 的方法来学习 Item 的 Embedding 向量。这样便可以根据向量的内积计算节点间的相似度来生成候选集。 为了解决冷启动，阿里的GNN迭代了三次：BGE、GES 和 EGES。
阿里大规模图嵌入模型 EGES 论文解读
VariableX的博客
01-27 1465
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： 以60分钟为窗口抽取用户的点击序列，如下图中的(a)所示。 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。 对图的每个节点 根据边的权
【Embedding】EGES：阿里在图嵌入领域中的探索
阿泽的学习笔记
05-20 6060
今天学习的是阿里巴巴 2018 年的论文《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》。 这是一篇比较实用的工业论文，提出了 Enhanced Graph Embedding with Side Information（以下简称 EGES）算法，旨在利用 Graph Embedding 的方法解决推荐系统在工业界中的三大问题：扩展性、稀疏性和冷启动问题。 我们一起来看下论文，可以重点关注下如何利用 Si
deepRecModel：推荐系统模型
02-17
deepRecModel 推荐系统模型 召回模型：LR，CF，MF，FM，FFM， 等级模型：deepFM，WDL，DSSM，DIN，DIEN，Transformer，MMoE，ESSM，AoFFM，xDeepFM 待办事项列表：DCN NFM NCF AFM PNN FNN PLE图形嵌入：word2vec，item2vec，deepwalk，node2vec，EGES GNN：graphSage，pinSage
EGES模型
Dive的博客
03-07 1845
目录2 FRAMEWORK先验知识——图嵌入框架+DeepWalk从用户行为构造物品图基础图嵌入带有side info的图嵌入加强版的带有side info的图嵌入5 RELATED WORK图嵌入带有side info的图嵌入用于RS的图嵌入 可伸缩性、稀疏性、冷启动 方法基于图嵌入框架，从用户序列构造出item图，学习到item的嵌入。为了解决稀疏性和冷启动问题，将side info也利用到图嵌入框架中。 2 FRAMEWORK 先验知识——图嵌入框架+DeepWalk 通过随机游走得到节点序列，ski
阿里EGES
whgyxy的博客
04-24 849
主要思想是根据用户交互的物料作为节点构建物料图，在传统的DeepWalk学习节点Embedding的基础上，使用attention融合节点的side information，使得学习到的物料Embedding包含更丰富、精准的信息。因为自然语言处理中，句子中的词汇的分布是幂律分布，少量的词大量使用，有大量的长尾词汇。而一个现实的图中，也是少量的节点有大量的连接（度），大部分节点的度比较少，二八定律也非常明显，因此随机采样的节点序列也是符合幂律分布的，因此可以套用。的负采样，可以得到优化目标的详细形式。
探索EGES：一个高效、灵活的教育管理系统
gitblog_00004的博客
03-27 455
探索EGES：一个高效、灵活的教育管理系统 项目地址:https://gitcode.com/wangzhegeek/EGES EGES 是一款开源的教育管理软件，专为学校和教育机构设计，提供了一整套便捷的信息化解决方案。它以其强大的功能、灵活的定制性以及友好的用户体验，让教育管理工作变得更加高效。 项目简介 EGES是一个基于Python和Django框架开发的Web应用，旨在帮助教育管理者进行...
推荐系统-召回阶段-EGES模型【Enhanced Graph Embedding with Side Information】
u013250861的博客
02-07 924
EGES算法实在论文《Billion-Commodity Embedding for E-commerce Recommendation in Alibaba》，主要用于商品推荐中。这篇论文的一作是阿里巴巴团队的，实验部分说该算法应用在了淘宝中。本人最近刚入职某公司，从事推荐算法的工作，因此后续会分享一下推荐相关的算法或者心得。1. 扩展性。现有的大部分推荐系统可以运用在一百万的用户和商品中，但无法运用在拥有十亿的用户和二十亿商品的淘宝中。2. 稀疏性。
深度学习 - 41.Word2vec、EGES 负采样实现 By Keras
BITDDD小栈
04-21 1619
Word2vec、EGES 负采样实现 By Keras。
图网络学习理论和实践(deepwalk,node2vec,metapath2vec,EGES)
mingo220的博客
07-23 1754
本文主要记录一些经典的基于随机游走Graph Embedding方法，以及自己的一些实践经验。 引言 在NLP领域，关于如何对词进行更好的表示，有许多研究者进行了深入的研究。 a. 独热表示（one-hot representation） 将每一个表示成一个N维（N是词表大小）的向量，其中只有当前词对应的维度为1，其他为零。一般来说词表会比较大（至少是十万量级），因此高维稀疏的表示会导致维数灾难。还有一个重要的问题是，独热表示无法描述词与词之间的相似性，也就是我们常说的语义鸿沟。 b. 分布式表示（dist
deepWalk,GCN,graphSAGE,EGES,transformer各种方法异同点
BLUE BOX
03-24 1532
deepWalk,GCN,graphSAGE,EGES,transformer各种图相关方法异同点1 deepWalk2 GCN3 graphSAGE4 EGES5 transformer 20220324夜。 知识点串一串，形成方法论，理解算法本质。此处仅举例了图或序列相关的算法。 1 deepWalk randomWalk + word2vec 2 GCN 领域矩阵+embedding矩阵+权重矩阵 3 graphSAGE randomWalk采样+层次聚合+f+负采样，最终loss根据任务来设计。 4
根据User 类创建一个实例， 再调用方法increm-ent_login_attempts() 多次。 打印属性login_attempts 的值，确认它被正确地递增； 然后， 调用方法reset_login_attempts() ， 并再次打印属性login_attempts 的值， 确认它被重置为0。 创建一个Admin 实例， 并使用方法show_privil-eges() 来显示其权限
06-07
好的，根据您的要求，我来为您解答。 这是一个示例代码，演示了如何根据User类创建实例，并测试递增和重置属性login_attempts的值： ```python class User: def __init__(self, name, email): self.name = name self.email = email self.login_attempts = 0 def increment_login_attempts(self): self.login_attempts += 1 def reset_login_attempts(self): self.login_attempts = 0 # 创建一个User实例，并递增属性login_attempts的值 user1 = User('Tom', 'tom@example.com') user1.increment_login_attempts() user1.increment_login_attempts() user1.increment_login_attempts() print(user1.login_attempts) # 输出 3 # 重置属性login_attempts的值，再次打印属性值 user1.reset_login_attempts() print(user1.login_attempts) # 输出 0 # 创建一个Admin实例，并调用show_privileges()方法 class Admin(User): def __init__(self, name, email): super().__init__(name, email) self.privileges = ['can add post', 'can delete post', 'can ban user'] def show_privileges(self): print('The admin has the following privileges:') for privilege in self.privileges: print('- ' + privilege) admin = Admin('Admin', 'admin@example.com') admin.show_privileges() ``` 输出结果如下： ``` 3 0 The admin has the following privileges: - can add post - can delete post - can ban user ``` 希望这个示例代码能够帮助您理解如何创建类的实例，以及如何使用类的方法和属性。如果您还有其他问题，请随时问我！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值