Recommandation

Recommendation Summary

User 数据（用户的基础属性数据，如性别、年龄、关系链、兴趣偏好等）

• 对于用户兴趣偏好，一般简单地采用文本 embedding 方法来得到各标签的 embedding 向量，然后根据用户对个标签的偏好程度做向量加权；
• 对于关系链数据（如同玩好友、游戏中心相互关注等），构造用户关系图，然后 采用基于图的 embedding 方法来得到用户的 embedding 向量；

Item 数据（Item 基本信息数据，如标题、作者、游戏简介、标签等）

• 对于文本、简介和标签等可以采用基于文本的 embedding 方法来在已有语料上预训练模型，然后得到对应的 embedding 向量（如 word2vec 或者 BERT）；
• 此外对于有明确关系的（如 item->文本->标签 or 关键词）可以采用对关键词/标签的向量均值来表示 item 的文本向量（这里安利一下 FaceBook 开源的StarSpace）；

User 行为数据（用户在场景中的行为数据，如点击、互动、下载等）

• 针对用户对 Item 的操作 （如点击、互动、下载）构造用户->item+Item 标签体系，构造用户-item-tag 的异构网络，然后可以采用 Metapath2vec 来得到各节点的 embedding 向量；
• 通过记录用户在整个场景访问 item，构造 Item-Item 关系图，然后采用 DeepWalk 算法得到 item 的向量，用来挖掘 Item 间的关系特征；

额外数据（外部扩充数据，如用户游戏行为、用户微信其他场景活跃等）

• 标签型（主要是用户在各场景的兴趣偏好）：
• 关系链型（如游戏中心好友、游戏内好友、开黑好友）可以采用用户关系构造用户关系图，采用 Graph embedding 方法（如 GraphSAGE）来表示用户抽象特征