【资料图】

数据、算法、算力并称为AI时代的三驾马车。从图的视角解读大数据，可以灵活建模复杂的信息交互关系。京东数据智能部在介绍其自研的图计算平台(Galileo)就表明，现实世界的许多问题都可以用图结构数据来刻画，未来基于图数据的应用场景将非常丰富。如电商广告推荐、金融风控、社交短视频、自然语言处理、药物研发等。

一、深度学习与人工智能

我们日常接触人工智能(Artificial Intelligence，AI)，总是伴随着深度学习(Deep Learning，DL)和机器学习(Machine Learning，ML)。简单而言，机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。

人工智能是在1956年由约翰·麦卡锡提出的概念，研究用于模拟、延伸和扩展人类智能的科学技术。属于现代计算机科学的一个重要分支。人工智能试图让计算机拥有人类的智慧，即具备理解语言、学习、记忆、推理、决策等诸多能力。

随着人工智能延伸出了很多子领域，包括机器人（AGI）、语音识别、图像识别、自然语言处理和专家系统等。机器学习作为实现人工智能的重要技术，采用算法解析观测到的大量数据，从中学习出更具一般性的规律，然后对真实世界中的事件作出预测。

典型的机器学习算法包括决策树、随机森林、逻辑回归、支持向量机、朴素贝叶斯等。这些算法，我们在【5分钟重点：浅谈金融领域的智能风控平台】曾有提及。

机器学习领域有一个经典共识，即数据和特征决定了机器学习性能的上限，而模型和算法只是不断朝着这个上限逼近。而在模型和算法设计过程中，传统机器学习需要投入大量的人力在特征工程上（人工进行数据标注，并对数据进行判断，ChatGPT据说也投入了几十人的团队，利用奖励机制进行数据标注和调优），而理想的状态是让机器帮助我们自动找出应该使用的特征空间，无须人类参与。 为此，人们希望设计的机器学习算法能够自动学习特征和任务之间的关联，还能从简单特征中提取复杂特征，深度学习就是满足这个特点的机器学习算法。深度学习的概念源于人工神经网络的研究，主要通过组合和抽取低层特征，形成更加抽象的高层表示属性类别或特征，以发现数据的分布特征表示。

二、图深度学习

随着信息技术的快速发展，各领域数据量均呈现爆发式增长，数据形式呈现多样化、复杂化的趋势，图数据便是其中一个典型代表。图深度学习，用深度学习技术挖掘图数据中的价值是一个新兴前沿的方向，深度学习模型可有效捕捉图中的隐含关系，提供更好的数据表征，目前在互联网领域搜索、推荐、广告、风控等业务中已经有许多探索和实践，也取得了可观的业务效果。比如在零售场景中，人、货、场之间的关系都可以用图结构来表达，这些图结构中隐含了大量可解释和可挖掘的知识，具有极高的商业价值。图与深度学习的结合将带来巨大的商业价值。

目前国内清华，百度，京东，阿里巴巴都陆续推出了图深度学习框架。如2021年阿里巴巴孵化的AliGraph，已在搜推、网络安全、知识图谱等众多商业化场景成功落地，而且已经作为阿里云的产品在售卖。京东也在2021年开源了一个易用可扩展的图深度学习框架Galileo（伽利略），核心功能包括支持超大规模异构图、支持多后端分布式训练、支持图嵌入算法和图神经网络。

京东深度学习框架Galileo整体架构

三、图深度学习的应用场景：电商推荐

现在互联网信息爆棚，各类信息庞杂。互联网平台为了更好的服务客户，增加用户粘性，也因为商业套现需要；都在搭建以用户个性为基础的，所谓千人千面的数据推荐系统。如京东、拼多多针对不同人群，在浏览页面推荐不同商品等。

在电商推荐系统中，最重要的是对商品和用户的理解，给予不同的用户个性化的推荐内容。具体来说，就是依据平台上已有的商品数据和用户历史行为数据建立数学模型。寻找用户和商品的关联性。用户和商品存在复杂的联系，以商品为例，商品本身的材质、属性、价格本身就存在一级关联。还包括同品牌、店铺、竞品的二级关联关系等。又如用户在京东商城上的行为包括浏览、加购、分享、打赏、点赞、收藏、种草等。整个关联关系结构复杂且多元。在推荐算法中，传统的推荐算法主要使用协同过滤算法，主要理念是“物以类聚，人以群分”，即协同过滤假设具有相似历史行为的用户具有相似的偏好。但是这些推荐算法只是在小规模数据量时表现较好，当数据数以亿计时，这些算法不具有数据规模的可扩展性，预测指标很难达到学术模型的预测结果。

图数据是关联关系数据的有效表达方式，电商平台上的商品之间的关系和用户行为等都可以采用多元异构图描述，从图数据中对多重语义空间节点进行建模，从而更准确地学习用户潜在的兴趣。

四、总结

电商推荐的目的是通过挖掘和学习用户在电商平台上与商品信息的交互和商品信息的属性之间的关系，以捕提用户的兴趣偏好，实现精准推荐。

推荐模型算法的重点是利用可用信息，学习用户和商品的联系，从而进行用户行为预测。基于用户的行为计算商品间的相似度，有了相似度之后，就可以基于相似度生成候选集。传统的算法只是采用用户与商品的直接关联关系构建共现矩阵，从而得到用户和商品的特征向量。然而，不管从浏览还是点击的角度来看，用户直接作用的商品相较于整个平台是稀少的。采用图来建模用户-商品关系，则可以捕捉更多的用户-商品、用户-用户、商品-商品等的多重有序交互关系。且在一定程度上规避稀疏矩阵的问题，图表示学习方法则将用户-商品行为建模成图，可以学习用户-商品之间的多重行为，通过图表示学习的方法得到用户或者商品的表征。从而实现更精准的预测，在用户种草、增强用户感知、提升推荐系统的可逛性方面有重要价值。

喜欢就，收藏，点赞，分享吧！

关键词：