推荐系统
问题
- DeepWalk的图是如何建立的？
协同过滤
User-based CF：找到用户的相似性，根据A喜欢的东西推荐给B
Item-based CF：找到物品的相似新，如果用户买了物品1，推荐物品2.
基于领域的协同过滤（单纯利用统计信息计算相似程度）
创建user-item的矩阵，计算出用户与用户相似度，物品与物品之间的相似度。
基于模型的协同过滤算法
基于领域的缺点：稀疏矩阵
缺点：可能协同矩阵很大，很难求解分解的三个矩阵
阿里推荐算法
问题：长尾效应、新商品的冷启动
GraphEmbedding召回
问题：用户的长尾覆盖度、新商品的冷启动
GraphEmbedding解决方法：利用用户的序列化点击行为构建全网行为graph，结合深度随机游走对用户“虚拟采样”拟合多阶潜在兴趣信息。扩大了用户的长尾兴趣宝贝召回
将商品映射到低维向量，计算i2i的相似表
DeepWalk算法
首先建立了一张图？问题：这张图怎么建立的。
对图中的每个节点，建立训练数据（节点x，领域节点集合y），构建类似SkipGram的训练集。
首先从网络中采样训练数据，每一个训练数据是由局部相邻的节点组成的序列，DeepWalk将这组序列看成语言模型中的一个短句或短语，将短句中的每个词转换成隐式表达，同时最大化给定短句某个中心词时，出现上下文单词的概率。这里的词对应着商品，每个词有一个向量，每个商品也有一个向量。
DeepCross
ResNet实时网络排序