图推荐算法在E&E问题上的应用

一、推荐系统在E&E上的两大难点
1、新用户
（1）无行为，而用户行为却是最有效特征；
（2）无信息，第三方信息获取成本高覆盖低。
2、新内容
（1）无反馈，无用户反馈其真实价值；
（2）难曝光，长尾内容很难进训练样本。
二、经典图模型—协同过滤
1、一种统计学习的图模型，常用于“以物推物”的item-based CF，简单效果好；
2、离线计算出最相似的topk个内容，构成物与物相连的有向图保存在起来；
3、推荐时快速定位用户接触过的seeds列表:
（1）在“1推多”场景直接查找节点的邻边；
（2）在“n推n”场景根据多节点对各邻边加权求和；
（3）在多样性推荐中将seeds分组并执行多个“1推 多”操作。
三、CF graph较弱的泛化能力
1、偏热推荐：因算法本身设计问题，造成马太效应推荐，长尾顾及不到；
2、内部环路：容易形成内部环路，一些内容互为topk近邻。
四、如何拓展图的泛化能力