基本思路：
任务描述：针对Amazon和淘宝百万级用户点击、购买数据，采用多行为路径联合建模，预测用户感兴趣商品。
个人工作：（1）特征工程：对点击、购买数据进行跨场景融合，用GraphEmbedding的EGES法补充稀疏矩阵数据，筛选同质性、结构性商品。（2）Embedding召回：基于特征工程生成的结果进行基于embedding的召回，融合流行度、兴趣标签等附加信息。
（3）多目标排序：采用DIEN对序列数据建模，增加历史点击数据排序，预估点击率、转化率。最终MRR为0.40，AUC为0.71。
1. sentence bert是怎么用的？
在计算语义相似度时，需要将两个句子同时进入模型，进行信息交互，这造成大量的计算开销。有10000个句子，我们想要找出最相似的句子对，需要计算（10000*9999/2）次，需要大约65个小时。Bert模型的构造使得它既不适合语义相似度搜索，也不适合非监督任务，比如聚类。
sentence bert： 将不同的句子输入到两个bert模型中（但这两个bert模型是参数共享的，也可以理解为是同一个bert模型），获取到每个句子的句子表征向量；而最终获得的句子表征向量，可以用于语义相似度计算，也可以用于无监督的聚类任务。对于同样的10000个句子，我们想要找出最相似的句子对，只需要计算10000次，需要大约5秒就可计算完全。
其实本质上他的优化方式就是先算embedding（句向量）再做余弦相似度，而不是先concat。他这样做的好处就是把bert当做一个word2vec方法，每个句子生成一个句向量（很小），然后计算余弦相似度。cos的复杂度忽略不计，整个计算量就在10000次bert上。每次输入一个句子，有几种方式：（1）句首加cls，cls对应的输出就是句向量（2）平均池化，句子所有输出做平均，（3）最大池化
2. EGES enhanced graph embedding with side information
2.1 通过user行为序列构建有向有权图。
每个用户的点击，根据时间分sessions，用所有sessions构建item graph。（比如user1按顺序点击了DAB，隔了段时间点击了DEF）就连接D->A>B, D->E>F. 所有session合起来就生成了graph。
对物品graph进行随机游走，生成一系列序列，再通过skip-gram进行embedding
2.2 deepwalk的建立步骤：
deepwalk生成的是无向无权图。
数据格式：user-user无连接，item-item无连接，user-item互相连接
记录用户点击数据，考虑边的权重按照冷门特征计算
3. 基于embedding的召回方法
结合观看特征、搜索特征（历史多条信息）的embedding进行池化，concat起来，加上用户的静态属性（年龄性别用非线性函数编码），再放到relu里，三层relu就是三个线性层，经过后做softmax来预估类别概率。
通过这种embedding方式预训练得到的用户embedding，通过最近邻搜索法再与物品向量找最近的topN，作为召回结果。
embedding作为预训练，而不是端到端训练，好处就是embedding本身参数量比较大，训练很慢
Embedding层通过embedding预训练得到。预训练的方式是用FNN模型。先用FM来初始化FNN的embedding权重
预训练就是与推荐独立开来，虽然与DNN训练割裂会损失一定的信息，但是这样提高了灵活性，物品和用户的embedding比较稳定，就可以训练频率比较低。
