异构图前世今生

1. metapath2vec
   论文 metapath2vec: Scalable Representation Learning for Heterogeneous Networks
   异构图初代，主要目标是network embedding，获得节点低维映射以便进行下游任务
   本文提出了metapath2vec和metapath2vec++两种模型，思路：随机游走获得元路径+skipgram+logloss
   下图能够比较清晰地体现论文中的网络结构：
   
   缺点：效果一般，onehot输入简单粗暴，将不同类型节点映射到同一向量空间显得不太合理

2. EGES kdd2018
   上述paper1中随机游走+skipgram在阿里巴巴双11主会场个性化推荐页上的应用。
   论文：Billion-scale Commodity Embedding for E-commerce
   Recommendation in Alibaba
   过用户行为历史构建item图，学习图上所有item的embedding。为了图表示学习中稀疏性和冷启动问题，提出了两种方法结合item embedding和side information。该方法部署在淘宝平台，CTR取得了明显提高。本文关注的问题在推荐系统的matching（召回）阶段。
   
   思路如上图，比如u2用户历史行为上午BE下午DEF，在连续用户行为之间加边，上午下午存在时间间隔故BE不加边，构图后通过随机游走生成序列，skipgram计算结果。