一種引入邊信息的變權(quán)重GES方法。

• 建圖模塊采用networkx，session建立使用用戶自定義+deepwalk。
• 適用場景，限于user行為較少，但商品冷啟動時，商品類別、價格等邊信息較豐富的場景，并不是所有場景都適用。

• 一般場景（用戶行為并不特別少+商品類別信息模糊），建議W2V+deepwalk效果要優(yōu)于EGES。

  
  
  image.png
  
  

  算法的目的是生成商品的表示向量，對商品兩兩之間做點積，計算商品之間的相似度。對用戶有過行為的每個商品，召回一批最相似的商品，這個階段文章稱為matching，然后將這些商品送給第二個階段ranking做排序。

  
  
  image.png

邊信息引入

類別、價格、品牌，引入邊信息填補用戶行為不足無法建立有效訓練session的缺陷。
邊信息校驗，TSNE獲取主元，如果邊信息有效會呈現(xiàn)散點聚類的效果。

image.png

訓練環(huán)節(jié)與行為數(shù)據(jù)在同一向量空間上訓練。

建圖過程

采用用戶點擊、加購數(shù)據(jù)，按照經(jīng)驗時間限定session，不宜過長。

emdedding加權(quán)

image.png

由不變權(quán)重改為變權(quán)重方式，每次更新權(quán)重參數(shù)

image.png

取e為了使權(quán)重非負。

deepwalk進行resession

image.png

先利用行為數(shù)據(jù)進行初步session劃分，然后利用加購頻次來定義變權(quán)重，構(gòu)建sku-sku的pair對。利用deepwalk獲取權(quán)重最大的session序列。

訓練環(huán)節(jié)

image.png

走skip-gram的方式，無全連接層。

線上使用

配合faiss進行相似度匹配

參考

原文鏈接 https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1803.02349.pdf
https://zhuanlan.zhihu.com/p/70198918