知识卡片
图召回的Deepwalk方法
图召回先建图刻画实体关系,再从中抽取信息进行召回。常见关系有用户-物料(I2U)、用户-用户(U2U2I)、物料-物料(I2I);建图难点在于如何定义节点、边的含义与权重,很考验业务理解。一个典型实现是 Deepwalk+Word2vec 的 U2U2I 召回:①把每个用户 i 设为节点,两用户点过同一物料则在节点间连边,并按共点次数设权重;②因图过大,用随机游走得到相关节点序列;③用 Word2vec 训练得带相似性的用户 Embedding;④对目标用户检索最相似的 n 个用户,把他们点过的物料作为召回物料。可迁移启发:图结构能把”行为共现”转成几何近邻,适合挖掘隐式兴趣;相关基础思想见 [[协同过滤的基本思想]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 2 推荐系统架构
原书出处 · 1 处
- 推荐系统架构 2.2 召回层概述 · 查看原书依据
3)对于目标用户,得到其对应Embedding,对其他用户进行检索,获取到与目标用户最相似的 n 个用户,将这些用户点击过的物料作为召回物料
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第2章《推荐系统架构》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/17.html;src-013)
- 结论依据:原文以 Deepwalk+Word2vec 的 U2U2I 召回为例,逐步说明建图、随机游走、Embedding 训练与近邻检索的流程,并强调建图对业务理解的要求,支撑本卡结论。
- 原始内容:3)对于目标用户,得到其对应Embedding,对其他用户进行检索,获取到与目标用户最相似的 n 个用户,将这些用户点击过的物料作为召回物料