* 本报告来自网络，如有侵权请联系删除
图模型在信息流推荐系统中的原理和实践
收藏
分享
纠错
价格免费
数据简介
推荐召回场景中面临的挑战。
详情描述
图模型简介-形式化定义：基础元素图G=(V,E)，节点集V，边集E={<w,V>| w, v∈V}，标签Lv节点标签，- Le边标签，属性Fv节点属性，Fe边属性。图模型简介-应用场景图模型任务类型-节点预测(预测Lv )-边预测(预测Le )子图预测，应用场景Chipcanvas商业推荐，社交好友推荐，反欺诈，芯片设计，路况预测。任务-将推荐结果候选集压缩到一定范围(千级)难点-文章量大,计算时间有限制-相关性建模要求高-新文章、新用户随时加入常用算法、模型- ltemcf千万，- Usercf- Fm- Dssm- YoutubeDNN- DeepMatch- GraphEmbedding。图模型算法应用及部署-构图节点-User、ltem.边-User -> Item (点击,曝光未点击..)-Item -> ltem (共现,共特征）。特征-节点特征(用户分群、文章类别、文章标签)-边特征(如点击时长、点击场景)权重-边权重(时间差、完成率、点、赞、踩、评)-节点权重(频次)-采样放缩:w'=w^alpha。图模型算法应用及部署-Deepwalk原理在图上随机游走出path生成context和targeti川练节点向量适用场景同类型节点,可用于u2i2i召回或u2u2i。原理-按照metapath采样获得邻居节点-邻居节点向量聚合( GCN/Mean/Attention )生成当前节点向量用于预测任务算法实现( metapath=[3,2]为例)。图模型算法应用及部署召方式-U2I :根据用户向量直接召回相似文章,常用于长期稳定兴趣建模-U2I2I :根据用户点击的文章,召回相似文章,常用于短期兴趣追打-U2U2I :召回相似用户点击过的文章,常用于兴趣拓展。报告预览
*本报告来自网络，如有侵权请联系删除
相关「可视数据」推荐
相关「数据报告」推荐
