知识卡片
EGES补充信息融合
EGES是阿里巴巴提出的Graph Embedding方法,核心是在DeepWalk生成的Embedding上引入补充信息以缓解冷启动。只用用户行为生成的物品关系图,新加入的物品或互动很少的长尾物品会因为缺少历史记录而得不到合理向量。为此EGES利用相同属性、相同类别等信息建立物品间的边,生成基于内容知识图谱的补充信息Embedding,每个物品因而拥有多个Embedding。融合方式是加权平均:在深度网络中设隐层对不同Embedding加权求和,权重通过反向传播学习,并采用类似注意力的机制;实际实现用指数的归一化形式作权重,既避免权重为0,也有更好的梯度性质。它虽无复杂理论创新,却是有力的工程方案。
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
原书出处 · 1 处
- 第4章 Embedding技术在推荐系统中的应用 · 查看原书依据
为了使“冷启动”的商品获得“合理”的初始Embedding,阿里巴巴团队通过引入更多补充信息(side information)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较合理的初始Embedding。
参考来源
- 位置:《深度学习推荐系统》第4章 Embedding技术在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0008_split_004.html)
- 结论依据:原文4.4.3节说明EGES通过side information让冷启动商品获得合理初始Embedding,并以加权平均和权重设计融合多个Embedding。
- 原始内容:为了使“冷启动”的商品获得“合理”的初始Embedding,阿里巴巴团队通过引入更多补充信息(side information)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较合理的初始Embedding。