1、可利用的特征

1.1 用户行为特征

• 显性反馈行为：点赞、评分、评价等
• 隐形反馈行为：点击、浏览、播放、加入购物车等

1.2 用户关系数据

• 显性：关注、好友关系
• 隐形：点赞、共同观影
• 使用Graph Embedding生成用户和物品的Embedding

1.3 属性、标签类数据

推荐系统中另外一大类特征来源是属性、标签类数据，这里我把属性类数据（Attribute Data）和标签类数据（Label Data）归为一组进行讨论，是因为它们本质上都是直接描述用户或者物品的特征。属性和标签的主体可以是用户，也可以是物品

用户特征、物品特征，然后通过Multi-hot或GNN(Graph Neural Network)，使特征数值化

1.4 内容类数据

内容类数据（Content Data）可以看作属性标签型特征的延伸，同样是描述物品或用户的数据，但相比标签类特征，内容类数据往往是大段的描述型文字、图片，甚至视频。

同样通过One-hot或者GNN变成Embedding

1.5 场景信息（上下文信息）

最后一大类是场景信息，或称为上下文信息（Context Information），它是描述推荐行为产生的场景的信息。最常用的上下文信息是“时间”和通过 GPS、IP 地址获得的“地点”信息。

2、特征数值化 – 传统方法

• 类别特征：one-hot、multi-hot
• 数值型特征：归一化、分桶

3、特征数值化 – Embedding技术

3.1 从word2vec到item2vec

从NLP中，对文字向量化的思想中得到启发，对物品向量化。以前简单总结了一下词向量技术：word2vec等词向量简述

Word2vec

思路：根据上下文实现对单词的Embedding，采用3层结构，图中hidden即是词的Embedding

方式有两种：

• CBOW：通过上下文预测单词，Input是目标词上下文的Multi-hot，连接全连接层到Hidden，再连接softmax到output，output是One-hot表示的目标词
• Skip-gram：与CBOW相反，Input是目标词，Output是上下文的Multi-hot

两个优化学习方法：

• 多层Softmax：由于样本不均衡，采用多层sigmoid的方式学习
• 负采样：上下文有2N个正样本，根据单词的出现频率，采样2N个负样本进行学习

item2vec
与Word2vec的原理完成一致，把用户的浏览、购买、观看序列，传入word2vec模型，就形成物品等Embedding

3.2 Graph Embedding

单纯的用item2vec没有考虑到结构信息，仅仅考虑到了序列的前后关联。

• DeepWalk：将item的前后连成图，在图上随机游走采样，形成序列，在传入item2vec
• Node2vec：DeepWalk采用完全随机游走的采样方式，没有考虑到图的同质性和结构性，Node2vec采用带有权重的随机游走方式，兼顾到了这两方面的：
  • 同质性： 倾向于向远处游走，考虑图的全貌，加大DFS的权重
  • 结构性：倾向于在附近游走，考虑图的附近结构，加大BFS的权重

Graph Embedding应用

Graph Embedding的应用有三种形式：

• 直接应用：利用相似的item embedding推荐物品
• 预训练：预训练物品的Embedding，传入模型作为土整
• 端到端：把物品的Embedding训练加入到模型中