上面的迭代过程都是在不断地优化如何更好地进行用户的兴趣描述，使用更好的网络结构生成更好的用户隐向量。这种将用户直接生成一个高阶隐向量的方法，可能会导致召回的结果过于泛化，不易保证精准性。通过在召回模型中引入FM层的User-Doc交叉特征可以很好的解决这个问题。
参考FM的公式如下，假设前m个特征是user相关的特征，后n个特征是doc相关的特征：
User和Doc的二阶交叉特征可以拆解如下如下，可以拆解为user和doc各自的两部分：
改造后的网络结构如下，新的网络可以有效的完成低阶 高阶特征的融合，从而实现泛化和精准的有效平衡。
由于业务高速发展，引入新数据，新场景的需求非常频繁，通过引入迁移场景信息 训练数据迁移可以大大加速新业务孵化情况下模型的收敛和效果。
特别说明的是，在现实系统中，综合推荐系统经常会引入新的数据源，这部分冷启动的召回通道在行为稀疏时往往表现较差。为了解决这些问题，团队近期将混合模型适配这类场景而提出一种Internal and contextual attention network (ICAN)模型，通过加强多队列之间特征域（feature field）交互和环境信息，得到更好的（冷启动）召回效果。目前ICAN已部署于看一看线上召回系统。此工作发表于IJCAI-2020。
9. 图模型
推荐系统中User和Item相关的行为、需求、属性和社交信息具有天然的图结构，可以使用一张复杂的异构图来表示整个推荐系统，如下图所示。图模型推荐算法就是基于这张复杂的异构图，使用图算法来学习图中包含的结构信息并用于系统推荐。图神经网络模型推荐就是基于这个想法，把异构网络中包含的结构和语义信息编码到结点Embedding表示中，并使用得到向量进行个性化推荐。
在这样的背景下，看一看召回17年起开始搭建面向看一看推荐的图算法平台，逐步实现了Deepwalk、line、node2vec，PTE等浅层模型，并在线上文章、视频推荐取得不错的收益。2018年，以GCN为代表的深层图神经网络模型出现，效果远优于传统的浅层模型。
因此，我们也开始对图算法平台进行升级，一方面，逐步实现GraphSAGE、GAT、MultiGAT、FM-GAT、Transformer-GAT、Transfer-GAT、MultiTask-GAT、Weighted-GAT等深度图神经网络模型；另一方面，开发面向线上生产、处理千万甚至亿结点，百亿级边的大柜模型异构网络。
图模型一路迭代至今，经历了几个大的优化阶段如下：
- 模型维度：从浅层图模型(Deepwalk、Line、PTE等)到深层图模型(GraphSAGE、GAT等) ，再到自研深层图模型（Multi-GAT、FM-GAT、Self-GAT等）；
- 网络结构：从同构到属性异构，再到用户多元异构、社交多元异构。网络规模也从十万，到百万、千万，最终到达亿级结点，百亿级边的大规模异构网络。
- 训练目标：网络训练也从单目标持续将深度图模型升级到多目标，再到多任务。迭代更新如下图所示：
GraphSAGE（Graph Embedding with Sampling and Aggregation）模型介绍：
GraphSAGE是一种通过聚合当前结点i的k阶邻居结点信息，构成结点i的embbedding的Network Embedding模型。与随机游走的Network Embedding模型：DeepWalk、Line、node2vec，相比，GraphSAGE有如下3个优点：
- 大量前沿论文证明GraphSAGE能够更加准确、有效抽取结点Context信息，并生成更高质量的node Embedding。
- GraphSAGE是一种归纳学习图模型，可以学习动态网络中新加入的结点Embeeding。
- GraphSAGE通过采样当前结点K阶领域结点来计算当前结点embedding，使得计算具有上亿结点、数十亿条边大规模图网络变为可能。
我们通过用户观看过的item来构建图网络，把同一用户观看过的时间关系上靠近的两个item当做结点，结点之间用一条边连接，然后通过GraphSAGE图模型来学习图中结点的Embedding，GraphSAGE模型结构如下图所示：
