gragh embedding相关论文小结（四）

关于一些工业界Graph Embedding论文的整理

• Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
• Learning and Transfering IDs Representation in E-commerce
• Session-based Recommendation with Graph Neural Networks
• STAMP:Short-Term Attention/Memory Priority Model for Session-based Recommendation
• Neural Attentive Session-based Recommendation
• Real-time Personalization using Embeddings for Search Ranking at Airbnb

Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
本篇论文基于Session-based Graph embedding来实现RS。而RS分为两阶段：match和rank，简单的说就是根据user或者query来选出candidate items set，之后给其中每一个item打分来排名发给user从而实现推荐，这篇论文关注的是math阶段的解决方法，考虑的是side info和item embedding。既然是Graph embedding方法，就得有Graph。这里是做推荐，采用的也是已有的Session-based方法，就是根据user交互过的items，在同一个session中的相邻的item则加入带权边，多个user则会形成一个Graph。当然这种Session-based方法我认为也是有问题的，一个是Session window大小选择不同的业务不同的公司标准不同难以达成一个统一的度量，再就是用户interesting会变化，如何在Graph中反应出来是个问题。文章中提到的三个模型（Base Graph Embedding，Graph Embedding with Side information，Enhanced Graph Emebedding with Side Infomation）实际是一种渐进递增的关系。最基本的RGE就是基于Session-based Graph构建的DeepWalk模型，