題外話：
阿里和香港理工聯合發布的這篇文章，整體來說，還挺有意思的。
剛開始隨便翻翻看看結構圖的時候，會覺得：這也能發文章？？？
后來，細看后發現：哦~~還不錯
文章簡介：
基於阿里巴巴電商推薦系統的十億規模的商品嵌入
與詞向量類似，為每一個商品生成一個向量，向量間一一匹配，將相似的設定為推薦的候選
這篇文章的着重點在RS的matching，而不是ranking
針對阿里的數據集應用需要解決的三個難題：
1）數據量大
2）數據稀疏性（用戶僅點擊過庫中數據的一小部分）→通過圖譜結構解決，而不是傳統的協同過濾
3）冷啟動：店家會不定期上新，這些上新的商品並沒有發生過用戶行為，如何處理這些數據→將邊信息考慮進去
漸進地提出了3個框架：BES, GES, EGES
數據：基於用戶行為（點擊順序）構成的商品圖譜（數據清洗：為節省計算空間以及考慮到用戶的興趣會隨時間改變，構建序列時長限定為1個小時；去除刷單的用戶，每月購買件數>1000或歷史購買數>3500），每條邊的權值由用戶行為決定，如有100個用戶從A點到了B，那個A到B的權值暫定為100
BES: base graph embedding
這是本篇文章中最基礎的一個框架，借用的deep walk的算法，random walk后得到序列，扔進skip-gram訓練
GES： graph embedding with side information
這一框架，將邊信息考慮進去，邊信息是指商品的屬性，如品牌，店家，材質，價格等，因為認為用戶的偏好可能跟這些屬性有關。
在網絡輸入時，將商品的one-hot與各個屬性的one-hot輸入，embedding后直接concat，通過一個隱含層，后面的跟BES差不錯
EGES:
enhanced graph embedding with side information
這一框架，基於GES，認為每一個屬性是帶權值的，每一條邊，不應同等對待。即用戶同時喜歡這兩件衣服，可能是因為他們都是牛仔外套，或者因為他們都是優衣庫的。因此，在得到商品及屬性的embedding后，乘以一個權值再進去隱含層
結果：
從下圖的可視化可以看出，相同種類的可以被分到臨近的區域
<wiz_tmp_tag id="wiz-table-range-border" contenteditable="false" style="display: none;">