深度学习CTR模型读书笔记-阿里十亿级商品嵌入方法

最新推荐文章于 2025-05-12 07:30:00 发布

ep_mashiro

最新推荐文章于 2025-05-12 07:30:00 发布

阅读量662

点赞数

CC 4.0 BY-SA版权

分类专栏：计算广告

本文链接：https://blog.youkuaiyun.com/tinkle181129/article/details/93337845

该笔记探讨了阿里如何应对推荐系统的可扩展性、稀疏性和冷启动问题。通过构建item graph并学习商品embedding，结合side information以增强embedding表示。提出Base Graph Embedding (BGE)、Graph Embedding with Side information (GES)和Enhanced GES (EGES)方法，特别是针对新商品或交互稀少商品的冷启动策略。此外，还讨论了如何处理用户行为序列和构建图的策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文连接：Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

摘要：
阿里推荐系统的三大挑战，可扩展性（scalability），稀疏性（sparsity）和冷启动（cold start）。
首先通过用户历史行为构建item graph，并在graph上学习item的embedding，这个embedding用于学习item之间的pairwise similarities。为了解决稀疏性和冷启动问题，在graph embedding framework里引入side information。并提出两种聚合方法来集成item的embedding和相关的side information。加了side information的方法优于不加side information的方法。

淘宝应对可扩展性、稀疏性和冷启动三个问题设计一个two-stage框架，matching和ranking。matching拣选商品，ranking给商品排序。本文主要关注在matching阶段，这个阶段核心任务是基于user行为计算所有item的pairwise similarities。

首先基于user行为历史构建item embedding graph->dubbed Base Graph Embedding(BGE)，其次考虑到那些新的item或者有极少user交互的item，引入side information构建dubbed Graph Embedding with Side information（GES）。接着考虑到不同类型的side information，就提出带权的GES，即dubbed Enhanced Graph Embedding with Side information（EGES）。

session-based users’behaviors：考虑到用户的行为是不断变化的，以及使用用户全部的历史行为计算能力和空间存在问题，对user的行为按窗口划分（