一种引入边信息的变权重GES方法。

• 建图模块采用networkx，session建立使用用户自定义+deepwalk。
• 适用场景，限于user行为较少，但商品冷启动时，商品类别、价格等边信息较丰富的场景，并不是所有场景都适用。

• 一般场景（用户行为并不特别少+商品类别信息模糊），建议W2V+deepwalk效果要优于EGES。

  
  
  image.png
  
  

  算法的目的是生成商品的表示向量，对商品两两之间做点积，计算商品之间的相似度。对用户有过行为的每个商品，召回一批最相似的商品，这个阶段文章称为matching，然后将这些商品送给第二个阶段ranking做排序。

  
  
  image.png

边信息引入

类别、价格、品牌，引入边信息填补用户行为不足无法建立有效训练session的缺陷。
边信息校验，TSNE获取主元，如果边信息有效会呈现散点聚类的效果。

image.png

训练环节与行为数据在同一向量空间上训练。

建图过程

采用用户点击、加购数据，按照经验时间限定session，不宜过长。

emdedding加权

image.png

由不变权重改为变权重方式，每次更新权重参数

image.png

取e为了使权重非负。

deepwalk进行resession

image.png

先利用行为数据进行初步session划分，然后利用加购频次来定义变权重，构建sku-sku的pair对。利用deepwalk获取权重最大的session序列。

训练环节

image.png

走skip-gram的方式，无全连接层。

线上使用

配合faiss进行相似度匹配

参考

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