图嵌入 淘宝推荐系统

参考网址：https://zhuanlan.zhihu.com/p/64200072
经典的Graph Embedding方法——DeepWalk
根据用户的购买序列(a)构建图(b)，然后游走建立不同的序列（c）,再将序列输入到一个word2vec进行训练，就可以生成商品对应的embedding

游走权重如下：

$M_{ij}$代表变的权重，边的权重可以根据很多用户（购买A后再购买B后的次数）来决定。因为用户顾客1先后购买了物品A和物品B，所以产生了一条由A到B的有向边。如果后续产生了多条相同的有向边，则有向边的权重被加强。

DeepWalk的进一步改进——Node2vec
权衡同质和同构性，通过改变游走的概率来决定


其中 ${\alpha }_{pq}(t,x)$ 是边vx的权重， ${\alpha }_{pq}(t,x)$的定义如下：

其中，dtx指的是节点t到节点x的距离，参数p和q共同控制着随机游走的倾向性。参数p被称为返回参数（return parameter），p越小，随机游走回节点t的可能性越大，node2vec就更注重表达网络的同质性(同质性指的是)，参数q被称为进出参数（in-out parameter），q越小，则随机游走到远方节点的可能性越大，node2vec更注重表达网络的结构性，反之，当前节点更可能在附近节点游走。

淘宝论文提出的三种生成embedding方式：
To achieve this, we propose to construct an item graph
from users’ behavior history and then apply the state-of-art graph
embedding methods [8, 15, 17] to learn the embedding of each item,
dubbed Base Graph Embedding (BGE).
根据用户的历史行为生成每个商品的embedding

However, it’s still a challenge to learn accurate embeddings of items with few or even no interactions.To alleviate this problem, we propose to use side information to enhance the embedding procedure, dubbed Graph Embedding with Side information (GES).
由于冷启动，加入边的信息来解决这个问题

that different side information should contribute
differently to learning the embeddings of items. Thus, we further
propose a weighting mechanism when learning the embedding
with side information, dubbed Enhanced Graph Embedding with
Side information (EGES).
不同的边给一个不同的权重

淘宝提出的模型EGES：
利用边的信息解决冷启动，这些边可以是价格，相同类型，相同店铺，根据这些也可以建立节点（商品）的embedding，比如根据价格建立一个图，感觉相同类型建立一个图等等。。。这些根据边来建立embedding的叫做补充信息。这样对于一个节点我们就有很多的embedding，我们需要融合成一个最终的embedding。融合的模型如下：

模型从下往上看，先制作了很多的embedding，然后分别赋予权重$a_0$ $a_1$…$a_{n-1}$(假设有n个embedding)，然后到一个分类器中，再进行反向传播。最后训练得到权重并且计算最终的embedding。
实际上，淘宝用的权重是$e^{a_0}$$e^{a_1}$…$e^{a_{n-1}}$
另外说明，淘宝的推荐系统过程两布：1.（match）计算embedding 2.（rank)排行
这里主要介绍的是第一步内容