EGES模型

最新推荐文章于 2023-04-21 12:04:46 发布
最新推荐文章于 2023-04-21 12:04:46 发布
阅读量1.6k 收藏 4
点赞数
分类专栏： 推荐系统
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/qq_38119106/article/details/113154150
版权

目录

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，skip-gram模型学习节点表示

在这里插入图片描述

从用户行为构造物品图
  • 先前一些CF模型，只考虑的item的共现，没有考虑item的序列性，考虑序列可以更准确表达用户的偏好
  • 基于会话窗口的用户行为（session-based users’ behaviors）：不使用用户的全部行为，设置一个时间窗口，只选发生在时间窗口内的行为，实际选取1小时作为时间窗口
  • 物品A后面紧接着出现物品B，则有向边从A指向B， e A B e_{AB} e
最低0.47元/天 解锁文章
Dive_
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
阿里大规模图嵌入模型 EGES 论文解读
VariableX的博客
01-27 1403
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
【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 1041
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。
推荐系统-召回阶段-EGES模型【Enhanced Graph Embedding with Side Information】
u013250861的博客
02-07 855
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。
推荐系统中的常用算法——基于Graph Embedding的GES和EGES
null的专栏
09-30 5239
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
商品序列建模在新用户承接上的应用实践
淘系技术
04-06 789
本文是从精排链路上对新用户的助推，聚焦了跨域信息的充分利用。背景随着淘宝直播带货业务的发展，好玩、互动、专业有品质的购物理念刺激着人们的消费需求。当前平台内中高活用户由于经常光顾，无论是在优惠刺激下的"薅羊毛", 还是闲逛满足自己的购物需求，还是主播的粉丝受众等因素，自然而然地使他们的直播购物习惯，访问主播心智日渐成熟。每天晚高峰大量直播间开播，海量的高活用户将直播的流量...
xilix的ZU3EGES原理图和pcb设计资料包括地板和核心板，底板是allegro，核心板是pdf
07-19
在电子设计领域，Xilinx的ZU3EGES是一款高性能的FPGA（Field-Programmable Gate Array）芯片，常用于复杂系统级设计。本文将深入探讨ZU3EGES的原理图和PCB（Printed Circuit Board）设计，以及其中涉及到的关键知识...
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，...
3-2+多目标排序助力58部落用户增长.pdf
03-18
这个模型结合了DeepFM、DIN和EGES的优点，对于推荐和交叉业务域相关的内容尤为有效。 【用户留存率的优化策略】 对于用户留存率的提升，58部落采取了留存分析的方法，通过数据挖掘和常识理解可能影响留存的特征，...
word源码java-ml-papers:机器学习资料汇总
06-05
EGES(Enhanced Graph Embedding with Side Information) 最近邻检索 图神经网络 社区发现算法 标签传播(LPA) lovain method infomap 强化学习资料 莫烦python() 算法的可解释性 对应CSDN上的中文版: 工具包汇总 ...
2-6+招聘商业化场景中的推荐算法应用实践.pdf
03-18
推荐系统架构中涉及到多种机器学习模型和算法，如TextCNN、EGES、FastText、Word2Vec、DBSCAN、ESMM、xgboost等，用于内容理解、用户画像构建、标签生成、CTR和CVR预估、多目标学习和创意生成等任务。这些技术的应用...
EGES召回原理与优化
console.log(**)的博客
08-14 787
EGES召回原理和优化
EGES算法全面解读
leigeno的博客
07-11 3033
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。
【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 1293
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。
论文阅读—阿里Graph Embedding的大规模应用
我的灯还亮着的博客
09-20 2398
本人知乎地址：https://zhuanlan.zhihu.com/p/83382019 paper：Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba https://arxiv.org/pdf/1803.02349.pdf 花了一周时间，零零碎碎终于把阿里这篇文章研究了一下，也看了很多知乎大佬的讨...
广告行业中那些趣事系列11：推荐系统领域必学的Graph Embedding
abc50319的专栏
05-31 596
摘要：推荐系统领域最近大火的Graph Embedding可以很好的解决传统的Sequence Embedding无法解决现实世界中诸如社交关系等图结构的问题。本文重点讲解了Graph ...
深度学习 - 41.Word2vec、EGES 负采样实现 By Keras
最新发布
BITDDD小栈
04-21 1195
Word2vec、EGES 负采样实现 By Keras。
GNN在轻应用内容推荐中的召回实践
淘系技术
03-10 799
本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第二篇。第一篇指路：冷启动系统优化与内容潜力预估实践前言每平每屋是阿里巴巴旗下家居家装平台，涵...
关系图谱在贝壳的构建和应用
大数据星球-浪尖
07-05 2269
分享嘉宾：周玉驰贝壳 资深算法工程师文章整理：许继瑞内容来源：贝壳找房知识图谱技术大会出品平台：DataFun注：欢迎转载，转载请在留言区留言。导读：贝壳找房积累了大量房、客、人的行为...
【Graph Embedding】图嵌入的最佳实践—EGES（Enhanced Graph Embedding with Side Information）
zhong_ddbb的博客
10-15 2840
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
58同城二手房推荐系统：3-3+多目标排序实战与向量化召回技术
文章进一步深入到向量化召回应用，介绍了从早期的Skip-gram和DeepWalk模型，到更复杂的EGES模型的发展，这些模型通过用户浏览房源的行为序列，捕捉用户的潜在兴趣和偏好，提升了召回效率和推荐质量。 总结和规划...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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