Whalepaper - 我们会选取比较成熟的 Topic 和 做一些 开源方案 分享，通过一起阅读、分享论文学习的方式帮助学员更好 “高效+全面+自律” 学习，让大家都有所收获和提升！
论文标题： Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
摘要：文中指出淘宝推荐系统面临的三大挑战：规模、稀疏性、冷启动。
本文提出的方法首先从用户的行为历史中构建物品关系图，然后学习图中所有物品的embedding。通过物品embedding可以计算所有物品的两两相似度，然后将相似度用于推荐过程中。为了能够缓解稀疏性和冷启动问题，side information也被考虑进来。对于那些交互很少甚至没有交互的物品，很难准确学习它们的embedding。为了缓解这一问题，本文在embedding过程中利用了side information，称为Graph Embedding with Side information(GES)。比如说，同一种类或者品牌的物品在embedding上是接近的。然而在淘宝，有着非常多的side information，比如种类、品牌、价格等。不同的side information在学习物品embedding的过程中起到的贡献是不同的。因此，本文提出了一种带权机制来学习embedding with side information，被称为Enhanced Graph Embedding with Side information(EGES)。
论文地址：https://arxiv.org/abs/1803.02349
