论文： https://arxiv.org/abs/1803.02349
题外话：
阿里和香港理工联合发布的这篇文章，整体来说，还挺有意思的。
刚开始随便翻翻看看结构图的时候，会觉得：这也能发文章？？？
后来，细看后发现：哦~~还不错
文章简介：
基于阿里巴巴电商推荐系统的十亿规模的商品嵌入
与词向量类似，为每一个商品生成一个向量，向量间一一匹配，将相似的设定为推荐的候选
这篇文章的着重点在RS的matching，而不是ranking
针对阿里的数据集应用需要解决的三个难题：
1）数据量大
2）数据稀疏性（用户仅点击过库中数据的一小部分）→通过图谱结构解决，而不是传统的协同过滤
3）冷启动：店家会不定期上新，这些上新的商品并没有发生过用户行为，如何处理这些数据→将边信息考虑进去
渐进地提出了3个框架：BES, GES, EGES
数据：基于用户行为（点击顺序）构成的商品图谱（数据清洗：为节省计算空间以及考虑到用户的兴趣会随时间改变，构建序列时长限定为1个小时；去除刷单的用户，每月购买件数>1000或历史购买数>3500），每条边的权值由用户行为决定，如有100个用户从A点到了B，那个A到B的权值暂定为100
BES: base graph embedding
这是本篇文章中最基础的一个框架，借用的deep walk的算法，random walk后得到序列，扔进skip-gram训练
GES： graph embedding with side information
这一框架，将边信息考虑进去，边信息是指商品的属性，如品牌，店家，材质，价格等，因为认为用户的偏好可能跟这些属性有关。
在网络输入时，将商品的one-hot与各个属性的one-hot输入，embedding后直接concat，通过一个隐含层，后面的跟BES差不错
EGES:
enhanced graph embedding with side information
这一框架，基于GES，认为每一个属性是带权值的，每一条边，不应同等对待。即用户同时喜欢这两件衣服，可能是因为他们都是牛仔外套，或者因为他们都是优衣库的。因此，在得到商品及属性的embedding后，乘以一个权值再进去隐含层
结果：
从下图的可视化可以看出，相同种类的可以被分到临近的区域