深度学习CTR模型读书笔记-阿里十亿级商品嵌入方法

论文连接：Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

摘要：
阿里推荐系统的三大挑战，可扩展性（scalability），稀疏性（sparsity）和冷启动（cold start）。
首先通过用户历史行为构建item graph，并在graph上学习item的embedding，这个embedding用于学习item之间的pairwise similarities。为了解决稀疏性和冷启动问题，在graph embedding framework里引入side information。并提出两种聚合方法来集成item的embedding和相关的side information。加了side information的方法优于不加side information的方法。

淘宝应对可扩展性、稀疏性和冷启动三个问题设计一个two-stage框架，matching和ranking。matching拣选商品，ranking给商品排序。本文主要关注在matching阶段，这个阶段核心任务是基于user行为计算所有item的pairwise similarities。

首先基于user行为历史构建item embedding graph->dubbed Base Graph Embedding(BGE)，其次考虑到那些新的item或者有极少user交互的item，引入side information构建dubbed Graph Embedding with Side information（GES）。接着考虑到不同类型的side information，就提出带权的GES