Edward_Legend的博客

什么是图图的基本示意图图是描述复杂事务的数据表示形式，由节点和边组成，数学上一般表述为图G-（V，E）。其中的V（vertical）代表节点，可被理解为事物。而E（edge）代表边，描述的是两个事物之间的关系。例如一个图的社交网络图，每个人都可视为节点，而人与人之间的关系可被视为边。而在我们的推荐系统中，用户与物品之间的交互关系，用户与用户自身的关系，物品与物品之间的关系，完全可由一张图完整的进行描述。如下图所示：用户与物品之间的关系图无向图与有向图无向图有向图双向图无向图是由没有方

什么是链路预测链路预测是一个利用图网络做预测的经典任务。所谓链路（Link）指节点与节点之间的连接，也就是图论中的边。如上图所示，所谓链路预测就是预测原本不相连的两个节点之间是否有边存在，若是在有权图中，那就顺便还预测下相邻边的权重。如果该图是一个社交网络图，那么链路预测的任务就好比是在预测某个用户是否对另一个用户感兴趣，也就是好友推荐任务，如果是一个用户物品图，那么链路预测就是物品推荐任务。链路预测本身是一门学科，已经有好几十年历史了，推荐是它最主要的应用方向。如今来链路预测总是不温不火。究其原

什么是特征工程推荐系统就是利用“用户信息”“物品信息”“场景信息”这三大部分有价值数据，通过构建推荐模型得出推荐列表的工程系统。  在这个系统之中，特征工程就是利用工程手段从“用户信息”“物品信息”“场景信息”中提取特征的过程。这个过程说起来容易，但实际做起来其实困难重重。比如说，一个网站或者 App 每天收集起来的用户日志，采集来的站外信息，自己公司员工编辑添加的结构化数据那么多，那么庞杂，怎么才能挑出那些对推荐有用的特征呢？再比如从“推荐模型”的角度来说，一个机器学习模型的输入，往往是一个数值型的

协同过滤算法的基本原理用户行为数据是推荐系统最常用，也是最关键的数据。用户的潜在兴趣、用户对物品的评价好坏都反映在用户的行为历史中。而协同过滤算法，就是一种完全依赖用户和物品之间行为关系的推荐算法。我们从它的名字“协同过滤”中，也可以窥探到它背后的原理，就是 “协同大家的反馈、评价和意见一起对海量的信息进行过滤，从中筛选出用户可能感兴趣的信息”一起看一个电商场景下的例子。这个电商推荐系统从得到原始数据到生成最终推荐分数，全过程一共可以总结为 6 个步骤，如下所示。首先，我们可以看到，电商网站的商品库

一、什么是Embedding简单来说，Embedding 就是用一个数值向量“表示”一个对象（Object）的方法，这里说的对象可以是一个词、一个物品，也可以是一部电影等等。一个物品能被向量表示，是因为这个向量跟其他物品向量之间的距离反映了这些物品的相似性。更进一步来说，两个向量间的距离向量甚至能够反映它们之间的关系。这个解释听上去可能还是有点抽象，那我们再用两个具体的例子解释一下。上图是 Google 著名的论文 Word2vec 中的例子，它利用 Word2vec 这个模型把单词映射到了高维空间中

  MLP是 Multilayer perceptron，多层感知机的缩写。感知机是神经元的另外一种叫法，所以多层感知机就是多层神经网络。下面以微软著名的深度学习模型 Deep Crossing 为例来说明 Embedding+MLP 模型的结构和实现方法。  图 1 展示的就是微软在 2016 年提出的深度学习模型 Deep Crossing，微软把它用于广告推荐这个业务场景上。它是一个经典的 Embedding+MLP 模型结构，我们可以看到，Deep Crossing 从下到上可以分为 5 层，分别

我们知道，只要是能够被序列数据表示的物品，都可以通过 Item2vec 方法训练出 Embedding。但是，互联网的数据可不仅仅是序列数据那么简单，越来越多的数据被我们以图的形式展现出来。这个时候，基于序列数据的 Embedding 方法就显得“不够用”了。但在推荐系统中放弃图结构数据是非常可惜的，因为图数据中包含了大量非常有价值的结构信息。下面就重点来讲基于图结构的 Embedding 方法，它也被称为 Graph Embedding。互联网中的图结构数据事实上，图结构数据在互联网中几乎无处不

GCN图卷积网络GCN全称graph convolutional networks.图卷积网络，提出于2017年。GCN的出现标志着图神经网络的出现。深度学习最常用的网络结构就是CNN，RNN，GCN与CNN不仅名字相似，其实理解起来也很类似，都是特征提取器。不同的是，CNN提取的是张量数据特征，而GCN提出的是图结构数据特征。1.计算过程初期研究者为了从数学上严谨的推导GCN公式是有效的，所以会涉及到诸如傅里叶变换，拉普拉斯算子的知识。其实对于我们使用者而言，我们可以绕开那些知识并且毫无影响的理解G

  互联网中到处都是图结构的数据，比如我们熟悉的社交网络，最近流行的知识图谱等等，这些数据中包含着大量的关系信息，这对推荐系统来说是非常有帮助的。  为了能更好地利用这些信息进行推荐，各大巨头可谓尝试了各种办法，比如 DeepWalk、Node2Vec 这些非常实用的 Graph Embedding 方法。但是技术的发展永无止境，最近两年，GNN（Graph Nerual Netwrok，图神经网络）毫无疑问是最火热、最流行的基于图结构数据的建模方法。严格一点来说，图神经网络指的就是可以直接处理图结构数据