EGES
[[向量化召回统一建模框架]]
- 如何定义正样本 #card
- 之前介绍的Item2Vec以及Airbnb I2I召回都认为只有被同一个用户在同一个Session内交互过的两个物料才有相似性，才可能成为正样本。EGES认为这个限制太狭隘了。比如一个用户点击过物料A和物料B，另一个用户点击过物料B和物料C。Item2Vec认为只有AB和BC才存在相似性，但是AC难道就不相似了吗？EGES应该把这种跨用户、跨Session的相似性考虑进去，这样能够提高模型的扩展性，也能够给那些冷门物料更多的训练机会。
- 如何 embedding #card
- 推荐系统与NLP的区别就在于，通常NLP中除了单词本身，就没有多少其他特征可利用了；但是在推荐系统中，除了ID，每个物料还有丰富的属性信息（也称为Side Information），比如商品的类别、品牌、商铺等。这些信息在照搬Word2Vec的Item2Vec中没有被利用上，太可惜了。另外，加入这些额外的物料属性当特征，还有利于新物料的冷启。对于ID从未在训练集中出现过的新物料，Item2Vec无法给出其Embedding；但是新物料的属性大多在训练集中出现过，并且它们的Embedding已经被训练好了，EGES可以拿这些属性的Embedding合成新物料的Embedding，解一时之需。
