图推荐算法在EE上的应用（29页）.pdf

【图推荐算法在EE上的应用】 推荐系统是现代电子与工程（E&E）领域中不可或缺的一部分，它在个性化推荐、内容发现以及用户满意度提升等方面起着重要作用。然而，在E&E领域，推荐系统面临着两大挑战：新用户的处理和新内容的推荐。 对于新用户，由于他们没有历史行为记录，传统的推荐算法难以提取有效的特征来进行推荐。此外，从第三方获取用户信息的成本高且覆盖面有限。另一方面，新内容往往缺乏用户反馈，因此它们的真实价值难以评估，而且由于曝光机会有限，这些长尾内容很难进入训练样本。 协同过滤（CF）是一种经典的图模型，尤其适用于“以物推物”的场景，通过计算物品之间的相似度生成推荐。在离线阶段，它会计算出每个物品的最相似的topk个内容，构成一个有向图。在推荐时，可以通过查找用户接触过的物品（seeds）的邻接节点进行推荐。在“1推多”和“n推n”场景下，分别根据邻接节点的不同策略进行加权求和。在多样性推荐中，可以将seeds分组，执行多个“1推多”操作以增加推荐的多样性。 然而，CF图模型存在泛化能力较弱的问题，可能导致热门推荐过度，无法照顾到长尾内容。内部环路的形成也会让某些内容互相推荐，降低了推荐的多样性和新颖性。为了改善这些问题，研究人员引入了知识图谱和node2vec等技术来增强图的泛化能力。 知识图谱利用实体之间的关系来丰富物品的语义信息，而node2vec则通过定义参数p和q，控制随机游走过程中的回退、广度优先搜索（BFS）和深度优先搜索（DFS），生成的ID序列作为word2vec的输入，使得物品能够被有效地向量化，同时保留了序列中的时序信息，提高了内容覆盖率，尽管相关性可能略有降低。 阿里巴巴的研究团队在此基础上提出了基于图嵌入的推荐方法。他们首先将用户浏览序列分割成多个session，构建有向图，并通过过滤异常点击、异常物品和异常用户来优化图结构。然后，他们利用多特征融合的word2vec模型，不仅考虑物品ID，还纳入其他物品特征，通过多类别的负采样加速训练，提高了模型的拟合能力。此外，对于物品的冷启动问题，他们引入side information，如物品的属性、类别等，来辅助新物品的推荐。 图推荐算法在E&E领域的应用是通过结合多种技术，如协同过滤、知识图谱、node2vec和word2vec，解决新用户和新内容的推荐难题，以提高推荐系统的准确性和多样性。随着技术的不断进步，未来可能会有更多的创新方法涌现，以应对更复杂、更个性化的推荐需求。