第 106 题：EGES的边缘特征增强，边权重的自适应学习？
题目
EGES的边缘特征增强，边权重的自适应学习？
完整讲解
一、EGES 与 Graph Embedding 的边信息
EGES（Enhanced Graph Embedding with Side information）在 GES 基础上，对多源侧信息（如 item 的 ID、类目、品牌等）不是简单相加，而是用可学习的权重融合，使不同侧信息对最终嵌入的贡献可自适应，即边（侧）特征增强。
二、多源嵌入与加权融合
- 多源嵌入：每个 item 有 ID 嵌入 $\boldsymbol{e}_{\text{id}}$ 及多个侧信息嵌入 $\boldsymbol{e}_1,\ldots,\boldsymbol{e}_K$（类目、品牌等）。若简单平均或相加，则假设各源同等重要。
- 边权/权重：EGES 为每个源学习一个标量权重 $a_k$（或与上下文相关的权重），融合时用
\(\boldsymbol{h}_v = \frac{1}{\sum_k a_k} \sum_{k} a_k \boldsymbol{e}_k,\)
或先对 $a_k$ 做 softmax 再加权。训练时 $a_k$ 与嵌入一起更新，自适应学习到「ID 重要还是类目重要」等，即边（侧）特征的权重由数据驱动。
三、边权重的自适应学习
- 训练：目标仍为 Skip-gram 式（正样本为共现对、负采样），梯度同时更新 $\boldsymbol{e}_k$ 与 $a_k$。梯度反传时，对损失贡献大的源会得到更大 $a_k$（若未做约束）或更大梯度，从而自适应。
- 冷启动：新 item 无 ID 共现时，可仅用侧信息嵌入的加权和作为初始嵌入，冷启动效果优于固定平均。
- 实现：$a_k$ 可初始化为 1 或可学习标量；多跳/图上游走时的「边」若指边类型，则边类型也可对应不同权重，与「侧信息源」权重同理。
四、与 GES 的对比
GES 常为固定相加或拼接；EGES 显式学习各源权重，表达力与冷启动通常更好，多一组小参数量（每个源一个标量）。
面试要点
- 能说明 EGES 用多源嵌入（ID + 类目 + 品牌等）与可学习权重融合，实现边/侧特征增强。
- 能写出加权融合形式（如 softmax 权或归一化加权和）并说明权重随训练自适应。
- 能说清与 GES 的差异（固定 vs 自适应权重）及冷启动上的优势。
记忆要点
- EGES：多源嵌入 + 可学习权重 $a_k$ 融合；$\boldsymbol{h} = \sum a_k \boldsymbol{e}_k$（可归一化）。
- 边权重自适应：$a_k$ 与嵌入一起训练，数据驱动各源重要性；冷启动时侧信息权重大。
- 与 GES 区别：GES 多固定融合，EGES 显式学习权重、表达与冷启动更好。