2.2. I2I召回

2.2. I2I召回¶

前面介绍的矩阵分解已经暗示了一个方向：把物品映射成向量，让向量空间中的距离反映相似性。I2I（Item-to-Item）召回沿着这个方向走得更远——给定一个物品，如何快速找出与之最相似的其他物品？

这里的“相似性”并非由物品的内在属性决定，而是由用户行为共同定义的。如果两个商品经常被同一批用户购买，两部电影被同一群观众喜欢，那么它们之间就存在关联。这种思想的灵感来自NLP领域的分布假说 (Firth, 1957) ：“You shall know a word by the company it keeps”（观其伴，知其义）。Word2Vec正是基于这一思想，通过分析文本中词语的共现关系，学习出了能够捕捉语义相似性的词向量。

所有I2I召回方法的本质都在回答同一个问题：如何更好地定义和利用“序列”来学习物品之间的相似性。本章沿着这条线索展开，从Word2Vec的理论基础出发，依次介绍以下四个模型。

Word2Vec：序列建模的理论基础。先介绍NLP中的Skip-Gram模型，它通过预测词语的上下文来学习词向量，为后续所有I2I方法奠定了理论基础。

Item2Vec：最直接的迁移。把Word2Vec的思路直接搬到推荐场景——把用户的交互历史当作“句子”，物品当作“词”，用同样的方式学习物品向量。

EGES：用属性信息增强序列。Item2Vec忽略了时序信息，对新物品也无能为力。EGES通过基于会话构建商品关系图，并融合商品的辅助属性信息来解决冷启动问题。

Airbnb：将业务目标融入序列。Airbnb面临的问题和电商不同：房源不是标准化商品，预订行为远比点击稀疏，地理位置是关键因素。这个案例展示了如何根据业务特点重新设计序列的构建方式。

2.2.1. Word2Vec：序列建模的理论基础 2.2.1.1. Skip-Gram模型详解
2.2.1.2. 负采样优化
2.2.2. Item2Vec：最直接的迁移 2.2.2.1. 从词语到物品的映射
2.2.2.2. 模型实现
2.2.2.3. 代码实践
2.2.3. EGES：用属性信息增强序列 2.2.3.1. 构建商品关系图
2.2.3.2. 融合辅助信息解决稀疏性问题
2.2.3.3. 代码实践
2.2.4. Airbnb：将业务目标融入序列 2.2.4.1. 面向业务的序列构建
2.2.4.2. 全局上下文机制

2.2.4.3. 市场感知的负采样

code

      Previous
      2.1.4. 矩阵分解：从相似度计算到向量表示学习
   


   
  
      Next
      2.2.1. Word2Vec：序列建模的理论基础

← 返回课程

fun-rec

13 / 88·markdown

Chapter 13

2.2. I2I召回

2.2. I2I召回¶

Word2Vec：序列建模的理论基础。先介绍NLP中的Skip-Gram模型，它通过预测词语的上下文来学习词向量，为后续所有I2I方法奠定了理论基础。

Item2Vec：最直接的迁移。把Word2Vec的思路直接搬到推荐场景——把用户的交互历史当作“句子”，物品当作“词”，用同样的方式学习物品向量。

2.2.1. Word2Vec：序列建模的理论基础 2.2.1.1. Skip-Gram模型详解
2.2.1.2. 负采样优化
2.2.2. Item2Vec：最直接的迁移 2.2.2.1. 从词语到物品的映射
2.2.2.2. 模型实现
2.2.2.3. 代码实践
2.2.3. EGES：用属性信息增强序列 2.2.3.1. 构建商品关系图
2.2.3.2. 融合辅助信息解决稀疏性问题
2.2.3.3. 代码实践
2.2.4. Airbnb：将业务目标融入序列 2.2.4.1. 面向业务的序列构建
2.2.4.2. 全局上下文机制

2.2.4.3. 市场感知的负采样

code

      Previous
      2.1.4. 矩阵分解：从相似度计算到向量表示学习
   


   
  
      Next
      2.2.1. Word2Vec：序列建模的理论基础