《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》简单实现

本文介绍了一种基于图神经网络的推荐系统模型EGES及其在阿里巴巴的应用案例。作者在原有模型的基础上进行了改进,使其能够在多GPU环境下高效运行,提高了大规模商品推荐的处理能力。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

图神经网络在这几年开始流行起来,并在业界有了不少成功的实践。阿里在2018年发表的这篇论文《Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba》便是一个图网络在推荐场景很好的落地应用。论文中提出的模型(GES, EGES) 正是为了解决推荐系统数据的可扩展性、稀疏性、冷启动等问题,并增加了 item 的额外信息(例如category, brand, price等),以更好的为用户进行商品推荐。

关于该论文的详细理论解释就不再赘述了,网上已有不少的阅读笔记以及论文解读。我在看了这篇论文之后,也想着在自己的应用场景中去实践一下,于是网上找到了大佬开源的EGES代码,并在此基础上我稍加改造,参考了skip gram的多GPU训练代码,也将EGES可以运行在多GPU上。

代码链接在此:https://github.com/bound2020/EGES_multiGPU ,欢迎各位大佬指教。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值