graph-embedding

word2vec和由其衍生出的item2vec是embedding技术的基础性方法，但二者都是建立在“序列”样本（比如句子、推荐列表）的基础上的。而在互联网场景下，数据对象之间更多呈现的是图结构。典型的场景是由用户行为数据生成的和物品全局关系图（图1），以及加入更多属性的物品组成的知识图谱

 

经典的Graph Embedding方法——DeepWalk

2014年提出的DeepWalk，它的主要思想是在由物品组成的图结构上进行随机游走，产生大量物品序列，然后将这些物品序列作为训练样本输入word2vec进行训练，得到物品的embedding

1基于原始的用户行为序列构建了物品相关图
2物品A，B之间的边产生的原因就是因为用户U1先后购买了物品A和物品B，所以产生了一条由A到B的有向边。如果后续产生了多条相同的有向边，则有向边的权重被加强。在将所有用户行为序列都转换成物品相关图中的边之后，全局的物品相关图就建立起来了。
3采用随机游走的方式随机选择起始点，重新产生物品序列。
4最终将这些物品序列输入word2vec模型，生成最终的物品Embedding向量。

DeepWalk的进一步改进——Node2vec 

2016年，通过调整随机游走权重的方法使graph embedding的结果在网络的同质性（homophily）和结构性（structural equivalence）中进行权衡。BFS反映了结构性，DFS反而反应了同质性

同质性：距离相近节点的embedding应该尽量近似，“结构性”:指的是结构上相似的节点的embedding应该尽量接近

node2vec算法中主要是通过节点间的跳转概率控制BFS和DFS的倾向性。图5显示了node2vec算法从节点t跳转到节点v后，下一步从节点v跳转到周围各点的跳转概率。

2018阿里的Graph Embedding方法EGES

为了使“冷启动”的商品获得“合理”的初始Embedding，阿里团队通过引入了更多补充信息来丰富Embedding信息的来源，从而使没有历史行为记录的商品获得Embedding。