RNE：一种面向十亿规模推荐的可扩展网络嵌入方法

如今设计真实的推荐系统已成为学术界和工业界的一个关键问题。然而，由于用户和物品数量巨大、用户兴趣的多样性和动态特性，如何设计一个可扩展的推荐系统，能够在十亿规模场景下高效产生有效且多样的推荐结果，对现有方法而言仍是一个具有挑战性的开放问题。本文中，给定用户-物品交互图，我们提出 RNE，一种基于推荐的、数据高效的网络嵌入（Recommendation-based Network Embedding）方法，为用户提供个性化且多样的物品。具体而言，我们提出一种感知多样性和动力学的邻居采样方法用于网络嵌入。一方面，该方法能够在建模用户兴趣的多样性和动态特性以提升推荐质量的同时，保留用户与物品间的局部结构。另一方面，该采样方法在理论上降低了整体方法的复杂度，使其有可能用于十亿规模推荐。我们还以分布式方式实现了所设计算法，以进一步提升其可扩展性。在实验上，我们将 RNE 部署在中国最大电商平台淘宝的一个推荐场景中，并在十亿规模用户-物品图上对其进行训练。如 A/B 测试上若干线上指标所示，与基于 CF（协同过滤）的方法相比，RNE 能够实现高质量且多样的结果。我们还在 Pinterest 数据集上进行了离线实验，与几种最先进（SOTA）的推荐方法和网络嵌入方法比较。结果表明，我们的方法在产生良好结果的同时，运行速度远快于基线方法。