深度CTR之Graph Embedding：阿里电商推荐中亿级商品的Graph Embedding
介绍 阿里巴巴团队发表于KDD 2018，阿里的推荐系统是按照matching + ranking的两步策略，本文解决的是matching阶段的问题，即商品召回阶段的问题。 paper中说到taobao的推荐系统主要面临了3个主要问题： 可扩展性：十亿用户，二十亿商品的量级； 稀疏性：有些用户和商品之间的交互信息特别少，导致无法精确的训练推荐模型； 冷启动：新商品的冷启动问题，taobao上每小时
相关文章
- 1. 推荐系统遇上深度学习(四十六)-阿里电商推荐中亿级商品的embedding策略
- 2. graph embedding之node2vec
- 3. 推荐系统（二）Graph Embedding之DeepWalk
- 4. 推荐系统（四）Graph Embedding之Node2Vec
- 5. Graph Embedding
- 6. Graph Embedding 、Network Embedding和Knowledge Graph Embedding以及Representation 和Embedding之间的区分
- 7. Graph Embedding方法
- 8. Graph Represent Learning(也叫Graph Embedding)
- 9. 基于Graph Embedding的打包购商品挖掘系统解析
- 10. Graph Embedding方案之DeepWalk
- 更多相关文章...
- • 电子商务网站主机 - 网站主机教程
- • 网站主机提供商 - 网站主机教程
- • 算法总结-深度优先算法
- • 使用阿里云OSS+CDN部署前端页面与加速静态资源
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 推荐系统遇上深度学习(四十六)-阿里电商推荐中亿级商品的embedding策略
- 2. graph embedding之node2vec
- 3. 推荐系统（二）Graph Embedding之DeepWalk
- 4. 推荐系统（四）Graph Embedding之Node2Vec
- 5. Graph Embedding
- 6. Graph Embedding 、Network Embedding和Knowledge Graph Embedding以及Representation 和Embedding之间的区分
- 7. Graph Embedding方法
- 8. Graph Represent Learning(也叫Graph Embedding)
- 9. 基于Graph Embedding的打包购商品挖掘系统解析
- 10. Graph Embedding方案之DeepWalk