阿里巴巴电商推荐中的十亿规模商品嵌入

推荐系统（RSs）一直是提升淘宝（中国最大的在线消费者对消费者（C2C）平台）业务最重要的技术。淘宝中的十亿规模数据给其推荐系统带来三大挑战：可扩展性、稀疏性与冷启动。本文中，我们给出应对这三大挑战的技术解决方案。方法基于图嵌入框架。我们首先由用户行为历史构建商品图。随后利用图嵌入将每件商品表示为向量。商品嵌入被用于计算所有商品间的两两相似度，并用于推荐过程。为缓解稀疏性与冷启动问题，将侧信息（side information）纳入嵌入框架。我们提出两种聚合方法以整合商品及其对应侧信息的嵌入。离线实验结果表明，融入侧信息的方法优于未融入者。进一步，我们描述了部署嵌入方法的平台及处理淘宝十亿规模数据的工作流。通过在线 A/B 测试，我们表明与淘宝广泛使用的先前推荐方法相比，在线点击率（CTRs）得到提升，进一步证明了我们所提方法在淘宝实际生产环境中的有效性与可行性。