EGES

8/2/2021 EGES

# EGES的提出主要是为了弥补DeepWalk的缺陷的?怎么弥补的?

单纯使用用户行为生成的物品相关图,固然可以生成物品的Embedding,但如果遇到新加入的物品,或者没有过多互动信息的”长尾“物品,则推荐系统将出现严重的冷启动问题。为了使”冷启动“的商品获得”合理“的初始Embedding,EGES通过引入更多补充信息(side information)来丰富Embedding信息的来源,从而使得没有历史行为记录的商品获得较合理的初始Embedding。

# 请简述EGES模型的结构,并简述每一层的做法。

如上图所示,在深度神经网络中加入平均池化层,将不同Embedding平均起来。为了防止简单的平均池化导致有效Embedding的丢失,EGES对每个Embedding加上了权重,即对每一类Embedding向量,分别赋予权重,图中的隐层表达就是对不同Embedding进行加权平均操作的层,然后输入到softmax层,通过梯度反向传播,求得每个Embedding的权重。在实际模型中,权重采用了而不是,一方面可以避免权重为0,另一方面因为在梯度下降过程中有良好的数学性质。