item2vec--word2vec在推荐领域的使用

一：绪论

在word2vec诞生以后，embedding的思想迅速从自然语言处理领域扩大到各个领域，推荐系统也不例外，既然word2vec可以对词序列中的词进行embedding，那么也可以对用户购买序列中的一个商品也应该存在相应的embedding方法，与 Word2Vec 对应，这种方法被称为 Item2Vec，代表论文是微软研究人员在 2016 年发表《Item2Vec: Neural Item Embedding for Collaborative Filtering》。论文把 Word2vec 的 Skip-gram with Negative Sampling (SGNS)的算法思路迁移到基于物品的协同过滤 (Item-Based CF) 上，以物品的共现性作为自然语言中的上下文关系，构建神经网络学习出物品在隐空间的向量表示。

二：item2vec训练样本的生成方式

在item2vec中，样本的生成方式有两种：
1，基于时序
认为item之间存在存在强时序关系，即前面的item对后面的item的产生有很大影响，那么我们就可以把一段时间内产生的item序列看成是一个句子，序列中的item看成是一个词，这样对item序列的训练过程就与word2vec训练过程无异了，可以直接参照word2vec的方法进行embedding训练。基于时序的示例比如视频网站的用户观看的视频序列，音乐网站用户听的歌曲序列。
2，基于集合
认为 item 之间存在非常弱的时序关系，或者因为某种原因，我们无法获得 item 的序列。那么这种情况只能放弃考虑 item 间的时空信息，转而使用 item 集合来取代序列。
通常我们把用户的行为序列视为一个集合（当然还有其他集合构造方式），我们假定一个静态的环境，在这个环境中，共现在同一个集合的 item 就可以认为它们是相似的，然后视为正样本，不管它们是以什么样的顺序产生的，如果某两个 item 频繁共现，二者的 Embedding 则可能也很相似。很明显，这种利用集合共现性构建样本的方式与 Word2Vec 的输入样本还是不一样的，因此无法直接应用 Word2Vec 的算法，这就需要对 Word2Vec 的过程进行调整。另外还需要注意的是，上面的这种的假设是有局限性的，不一定适用于其它场景。

基于集合的示例比如电商网站订单中的商品集合。
论文中讨论的样本构建方法是第二种，作者还提出了两种相应的调整方式：
1，把 Word2Vec 的上下文窗口 (window size) 由定长的修改为变长的，窗口长度就是集合长度。其实也就是对整个 item 结合中的 item 进行两两组合构成正样本，此方法需要修改网络结构。
2，不修改网络结构，而在训练神经网络时对物品集合做 shuffle 操作，变相地起到忽略序列带来对影响。
论文指出两种方法的实验效果基本一致。

三：目标函数

Item2Vec 的论文使用的是第一种调整方法，即给定一个 iterm 集合，SGNS 的目标函数可以改为：

其中，K 是集合长度，因为摒弃了序列中 item 的时空关系，在原来的目标函数基础上，其实已经不存在时间窗口的概念了，或者说窗口长度就是集合长度，取而代之的是 item 集合中两两之间的条件概率。
在论文中，作者把中心词词向量ui 作为第 i 个 item 的最终的向量表示，同时两个 item 的相似度是通过余弦相似度进行计算的。作者还指出，最终的词向量也可以选用上下文词向量 vi，甚至可以是 ui 和 vi 的向量和 ui+vi 或 ui 和 vi 的连接 [uTivTi]T 来表示，后两种表示方式有时候能够产生更好的向量化表示。

论文中将 Word2Vecs 模型从自然语言序列迁移到物品集合，丢失了时间和空间的序列信息，导致无法对用户行为程度建模（喜欢和购买是不同程度的行为，可以建模体现用户对不同 item 的喜欢程度高低）。好处是可以忽略用户－物品关系，即便获得的订单不包含用户信息，也可以生成物品集合。而论文的结论证明，在一些场景下序列信息的丢失是可忍受的。

最终论文的实验表明，使用 Item2Vec 对协同过滤中的 item 计算相应的向量化表示，在 item 的相似度计算上比起 SVD 方法要更加优越，也就是说 Item2Vec 方法得到的 item 的向量化表示能够很好地提取 item 间的相似度特征。从应用上说，Embedding 也非常便于用于相似 item 主动检索，Item2vec 甚至能够应用到错误标签的检测和纠正上，所以 Item2vec 具有很好的使用价值，这也使得 Embedding 在很多深度学习推荐系统模型中几乎成了 “标配”。

四：item2vec与MF的关系：

1，联系：
如果从embedding的角度来看矩阵分解模型，用户隐向量和物品隐向量就是一种用户embedding和物品embedding向量。用户embedding向量更多通过行为历史中的物品embedding平均或者聚类得到。利用用户向量和物品向量的相似性，可以直接在推荐系统的召回层快速得到候选集，或者在排序层直接用于最终推荐列表的排序
2，区别：
（1）传统的mf通常生成的是user-item矩阵，而item通过滑动窗口样本生成的方式构造的则更像是item-item矩阵。
（2）二者得到隐向量的方式也不同，mf利用均方误差损失，使预测得分和已有得分之间的误差最小， 而item则是利用空间信息并借助了极大似然估计的思想，使用对数损失函数，使得上下文关系或者共现关系构造出的正样本item-pair出现的概率最大。
（3）itrm2vec训练时引入了负样本，而mf没有使用。
总结：对于二者在推荐效果上的差异，一个经验是传统 MF 推荐会让热门内容经常性排在前面，而 Item2vec 能更好的学到中频内容的相似性。Iterm2Vec 加上较短的时间窗口，相似推荐会比 MF 好很多。

五：item2vec方法的特点和局限性

特点：万物皆可embedding
局限性：只能利用序列型数据，在处理互联网背景下大量的网络化数据时不够用。